PACE：面向自演化智能体的任意时点有效接受测试

自我进化代理通过反复提出对自己的提示、技能或工作流程进行更改的建议，并在一小部分保留的集合中保留得分较高的代理来进行改进。几乎所有的努力都投入到了生成候选人的提议者身上；我们认为弱点是接受者，即决定是否进行更改的规则。针对相同的嘈杂的开发估计应用了数百次，无处不在的“如果分数上升则保留它”规则是不受控制的自适应多重测试：代理有效地攻击自己，积累错误的提交，使其搅动和漂移而不是改进。我们将提交重新定义为顺序假设检验，并提出 PACE（配对随时有效提交评估），这是一种免训练、随时有效的提交门。每个候选者都会在相同的实例上与现任者进行比较，并且仅当投注测试电子流程积累决定性证据时才会提交，提前停止以保存评估，并将每个候选者的错误提交概率控制在用户设置的级别，即使在可选停止（每个决策保证）下也是如此。在 GSM8K、SVAMP 和 ARC-Challenge 上的提示级别自我进化的 Qwen2.5 代理 (0.5B-3B) 上，当真正的改进隐藏在嘈杂的提案中时，贪婪接受会提交 30-42% 的错误和 10-33% 的有害编辑，而 PACE 会提交真正的改进，而基本上没有其他任何东西，以极低的方差和约 18% 的评估成本降低约 18% 的评估成本，匹配贪婪的保留准确性。由于没有真正的增益，贪婪每次运行都会进行 13-21 次虚假自我修改（72-100% 错误），并使最脆弱的代理降低 4.9 个点，而 PACE 保持在基线水平。自进化的可靠性取决于接受者，而不仅仅是提议者。