CoEvo-RSI: quando evolvono gli harness, quali modelli dovrebbero seguirli?

Abstract degli autori

La coevoluzione tra modello e harness si è affermata come un paradigma importante per gli agenti capaci di auto-miglioramento ricorsivo (RSI): le loro strutture di esecuzione e le loro capacità intrinseche evolvono insieme. Studiamo un problema persistente ma spesso trascurato in questo paradigma: il disallineamento tra cervello e corpo, che si verifica quando un harness in evoluzione (il corpo) richiede comportamenti che il suo modello (il cervello) non ha appreso oppure limita capacità che già possiede. Presentiamo CoEvo-RSI, un framework RSI che fa progredire la coevoluzione tra modello e harness attraverso un’eredità storica bidirezionale guidata da agenti. Attingendo a un archivio evolutivo condiviso e al feedback sull’esecuzione, un meta-agente coordina lo sviluppo dell’harness a partire da progetti precedenti con la selezione o la fusione dei checkpoint del modello e il successivo adattamento nell’harness selezionato. In questo modo, allinea le capacità ereditate ai requisiti di esecuzione in evoluzione per ridurre il disallineamento tra cervello e corpo. Usando soltanto il fine-tuning supervisionato (SFT) sulle proprie traiettorie selezionate mediante rejection sampling, CoEvo-RSI rende Qwen3.5-9B competitivo con modelli più grandi in diverse applicazioni verticali, tra cui l’attribuzione dei fallimenti nei sistemi multiagente, il text-to-SQL sensibile ai ruoli e l’esecuzione di istruzioni per la casa intelligente. Supera DeepSeek-V4-Pro su TraceElephant (+14,16 nell’accuratezza degli agenti) e GLM-5.3 su HomeBench VM (+4,90 nel tasso di successo), sottolineando la necessità di allineare cervello e corpo e il potenziale dell’eredità storica bidirezionale per far progredire la coevoluzione degli agenti.