Agentic AI验证与自我改进的理论基础及边界

Agentic 人工智能系统可以通过搜索更长的时间、接受额外的支持或修改它们提出和验证输出的方式来改进。性能分数并不能区分这些机制。我们通过有界验证和隐藏终端随机性来比较这些变化。阶段指定可接受的转录本、多项式界限、交替验证协议和终端检查器。其原生范围使用默认支持；它的封闭边界允许接口已经承认的所有支持。在统一的逐点概率差距和任务相关的健全性下，这些是定义明确的语言。我们证明独立多数放大可以保留两种语言，而对随机磁带的存在接受可以承认不正确的输出。精确验证是零随机性情况，具有放置和完整性结果。随机验证器类满足 $Σ_k^{\mathrm{P}}\subseteqΣ_k^{\mathrm{RV}}\subseteqΣ_{k+1}^{\mathrm{P}}$；严格的放大和深度分离需要明确的复杂性假设，而 $\mathrm{BPP}=\mathrm{P}$ 产生具有相同边界的精确同伴。表示分析将不变的接受与在重构时可能发生变化的核心与支持标签分开。对于递归自我改进，在通用声音解释器和固定验证协议下的统一有界自我修改保持在同一验证类中。单独的条件错误预算控制自适应选择的候选者中的错误选择。配额强制的异或合成系列将无限的搜索成功率与接受语言的变化分开；精确和概率审计检查由此产生的证据要求。该框架将自我改进主张与正确性、可接受的证据、验证资源和选择错误的义务联系起来。