EVOCHAMBER：多智能体系统在个体、团队和人口规模上的测试时演化
人工智能
2026-05-13 v1
摘要
我们认为，多智能体测试时演化并非单智能体演化的N倍复制。单个智能体学习者只能演化其自身的上下文和记忆。多智能体系统额外演化的是合作方式、协作机制以及知识如何在人口间流动。这些组成部分在单个智能体中无对应物，可能产生如涌现专精化等现象。然而，现有的测试时方法要么将经验局限于单个智能体，牺牲跨智能体学习，要么对所有智能体进行对称广播，抹去了使协作有价值的专精化。我们提出EVOCHAMBER，一个无需训练的框架，在协同演化智能体池中实现三个层次的测试时演化。其核心是CODREAM（Collaborative Dreaming），一种在团队失败或 disagreement 触发的后任务协议，智能体在此过程中协作反思、提炼洞见，并以非对称方式从强智能体路由到弱智能体于失败的 niche 中，既保留专精化又填补知识差距。团队层面的算子组装 niche 条件化团队并在线选择协作结构。人口层面的生命周期算子在性能压力下进行 fork、merge、prune 和 seed 操作。在三个异构任务流上使用Qwen3-8B，EVOCHAMBER在竞赛数学中达到63.9%，编程中达到75.7%，多域推理中达到87.1%，在数学竞赛中相对于最佳基线提升32%，确认非对称跨智能体传递是主要驱动力。在从几个相同初始化的智能体开始的情况下，4至5个稳定的 niche 专精化智能体自行涌现，这一结构标志是多智能体演化的特征，单个智能体学习者无法表达。详见我们的代码：https://github.com/Mercury7353/EvoChamber
引用
@article{arxiv.2605.11136,
title = {EVOCHAMBER: Test-Time Co-evolution of Multi-Agent System at Individual, Team, and Population Scales},
author = {Yaolun Zhang and Tianyi Xu and Shengyu Dai and Zhenwen Shao and Qingyun Wu and Huazheng Wang},
journal= {arXiv preprint arXiv:2605.11136},
year = {2026}
}