PACE-Bench：在动态环境中通过代码演化评测物理自适应

自进化智能体从交互经验中改进未来行为，但现有评估通常在固定执行条件下优化，不测试条件变化后的恢复。为填补这一空白，我们提出PACE-Bench（Physics Adaptation via Code Evolution），一个以模拟器为基础的基准，包含横跨六个物理领域的144个源到目标适配对。每一对将源环境与具有相同目标和接口的变异目标环境关联起来。在源环境中成功的代码驱动设计在目标环境中会失败，智能体必须在有限的尝试预算内，利用诊断沙箱反馈将其迭代适配为可运行的目标设计。我们比较了来自四种范式的十种自进化方法。该基准远未饱和：Reflexion + Qwen3-14B在完整基准对上仅成功35.9%，而GPT-5.5在全预算下解决Statics子集的66.7%。这些结果共同表明，基于模拟器的反思比未经核实的自我修订更可靠，而记忆会把智能体锚定在早期设计上，宽泛的树搜索则探索而不收敛。即使揭示确切的物理变化也无法提高性能上限，这指向机制重设计而非参数推断才是核心瓶颈。数据与代码发布于 https://github.com/thunlp/PACE-Bench。