Trace Evolution Bench：区分自进化 Agent 与冻结重评分

Fangfei Li 等在 arXiv 提出 Trace Evolution Bench（TEB），一个将智能体的上下文或权重更新与冻结环境轨迹的重新评分区分开的评测协议，用于检验自进化 Agent 的收益是否来自真实更新。 TEB 包含编码、办公和制造表格问答三个冻结的任务包，采用 80/20/40 打包划分；主记分板是编码任务，在封闭工作区中用隐藏单元测试评分。在编码包的 40 个留出任务（一个任务族）上，论文称 DeepSeek v4 Pro 在 no_evolve（策略从不改变）条件下，三个种子的成绩仍分别移动 7.5、5.0 和 12.5 个百分点，说明冻结重评分本身会带来波动；且没有任何方法在全部三个模型的所有种子上都稳定高于自身区间。 以上结果为论文报告内容，材料未说明独立复现情况。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。