拓冰网站定制 
HyperAgents自我改进迁移实验揭秘meta-patch如何跨域传递AI进化能力【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgents你是否想过一个AI智能体Agent不仅能自己把自己改好还能把这份进化能力直接移植给另一个全新任务Meta开源的 HyperAgents 正是做这件事的一套自指的自我改进智能体框架可以针对任意可计算任务自动优化。本文揭秘它最精彩的实验——把 A 域进化出的 meta-patch 迁移到 B 域让新任务开局即巅峰。 先搞懂HyperAgents 是什么用一句话概括HyperAgents 是一个会改自己代码的 AI 系统。它由两个角色组成元智能体Meta Agent住在自己的代码仓库里负责修改仓库任何一部分代码见 meta_agent.py任务智能体Task Agent真正出去干活的选手解数学证明、审稿、玩游戏、训机器人见 task_agent.py元智能体会读取历代子代智能体的评测结果然后反过来修改任务智能体的代码。一代改一代形成递归的自我改进循环就像进化树一样不断长出新分支。所有分支和得分都记录在 archive.jsonl 归档中。 核心机制meta-patch 是怎么炼成的每一代进化都产出一个diff 补丁文件model_patch.diff记录这一代改了哪些代码。把某个高分节点的整条家谱补丁链取出来就是所谓的meta-patch——一份浓缩了多代进化经验的代码补丁。关键点在于这份补丁里改的可能不只是解题技巧还有智能体的元能力比如怎么组织推理流程怎么利用工具怎么从错误中恢复父代选择策略select_next_parent.py这些会学习的学习者特质正是跨域迁移的价值所在。 迁移实验把A域的进化能力注射进B域HyperAgents 支持一个非常优雅的运行入口 generate_loop.py其中几个参数是迁移实验的关键参数作用--meta_patch_files把外部进化实验产出的补丁应用到新实验的第 0 代--reset_task_agent剥掉补丁中针对任务智能体的改动避免答案泄漏--reset_meta_agent剥掉针对元智能体改动让新域从零进化--domains指定目标域如imo_proof、paper_review、genesis_go2hop等补丁的过滤逻辑实现在 process_meta_patch_files按文件粒度从 diff 中剔除task_agent.py、meta_agent.py的改动块只保留纯元能力部分。 实验结果迁移到底有多猛以最难的IMO 证明评分imo_grading域为例对比三组实验实验组最佳成绩说明初始智能体Initial agent0.0裸起点关闭自我改进w/o self-improve0.0 ~ 0.13只会原地打转迁移A域智能体直接搬成品0.0❌ 完全失效DGM-HA w/o self-improve transfer0.54 ~ 0.63✅ 迁移 meta-patch 后起飞数据来自 plot_testevals.py 中的transfer_hyp分组。结论非常震撼直接迁移成品智能体毫无用处——A域调优出的解题代码换个任务就废了迁移自我改进能力却立竿见影——分数从约 0 直接跳到 0.6 以上甚至在transfer_continue组中L361-L386迁移后继续进化还能冲到0.72超过专家代表基线的 0.67换句话说HyperAgents 证明进化能力本身是可迁移的资产比任何单一任务的技能都更值钱。 谁来挑最有价值的节点做迁移不是分数最高就一定最该迁移。analysis/transfer_utils.py 实现了三种挑选策略max_score选绝对分最高的节点growth选后代成长潜力最大的节点growth 分数 会沿进化树累加后代的增量贡献并按距离指数衰减growth_imd用相对父代的即时增益计算潜力这个设计背后的直觉是一个分数中等但后代个个大涨的节点往往携带更强的通用进化基因。⚙️ 如何跑起来快速上手指南完整流程在 README.md 中有说明核心步骤# 1. 配置 .env 文件写入 OPENAI / ANTHROPIC / GEMINI API keys # 2. 安装依赖 pip install -r requirements.txt -r requirements_dev.txt # 3. 构建 Docker 容器元智能体在容器内改代码安全隔离 docker build --networkhost -t hyperagents . # 4. 初始化基础智能体 bash ./setup_initial.sh # 5. 启动进化循环可加 --meta_patch_files 做迁移实验 python generate_loop.py --domains imo_proof⚠️安全提示该仓库会执行模型生成的不可信代码请务必在 Docker 等隔离环境中运行官方 README 中也有同款警告。运行过程中每个域会先跑小规模分阶段评测staged eval分数过低则跳过全量评测以节省算力——这个细节在 generate_loop.py 中实现。️ 代码地图按图索骥想深入阅读源码建议从这几个入口开始进化主循环generate_loop.py元智能体实现meta_agent.py任务智能体实现task_agent.py补丁处理与父代选择utils/gl_utils.py迁移节点挑选analysis/transfer_utils.py实验结果数据analysis/plot_testevals.py各领域评测集domains/涵盖 IMO 证明、论文评审、BabyAI 游戏、Genesis 机器人、多语言编程等 总结三个值得记住的洞察自我改进是可迁移的meta-patch 携带的是会学习的能力不是会的知识进化树比单链条更有价值归档archive 多样父代选择让系统能发现意想不到的垫脚石节点迁移实验设计很干净用reset_task_agent/reset_meta_agent剥离任务专属改动才能证明元能力才是分数跃升的真正来源HyperAgents 展示的或许正是通往通用自我改进智能体的一块拼图——进化出的不是某个解法而是进化本身。【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 HyperAgents自我改进迁移实验揭秘：meta-patch如何跨域传递AI进化能力
HyperAgents自我改进迁移实验揭秘meta-patch如何跨域传递AI进化能力【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgents你是否想过一个AI智能体Agent不仅能自己把自己改好还能把这份进化能力直接移植给另一个全新任务Meta开源的 HyperAgents 正是做这件事的一套自指的自我改进智能体框架可以针对任意可计算任务自动优化。本文揭秘它最精彩的实验——把 A 域进化出的 meta-patch 迁移到 B 域让新任务开局即巅峰。 先搞懂HyperAgents 是什么用一句话概括HyperAgents 是一个会改自己代码的 AI 系统。它由两个角色组成元智能体Meta Agent住在自己的代码仓库里负责修改仓库任何一部分代码见 meta_agent.py任务智能体Task Agent真正出去干活的选手解数学证明、审稿、玩游戏、训机器人见 task_agent.py元智能体会读取历代子代智能体的评测结果然后反过来修改任务智能体的代码。一代改一代形成递归的自我改进循环就像进化树一样不断长出新分支。所有分支和得分都记录在 archive.jsonl 归档中。 核心机制meta-patch 是怎么炼成的每一代进化都产出一个diff 补丁文件model_patch.diff记录这一代改了哪些代码。把某个高分节点的整条家谱补丁链取出来就是所谓的meta-patch——一份浓缩了多代进化经验的代码补丁。关键点在于这份补丁里改的可能不只是解题技巧还有智能体的元能力比如怎么组织推理流程怎么利用工具怎么从错误中恢复父代选择策略select_next_parent.py这些会学习的学习者特质正是跨域迁移的价值所在。 迁移实验把A域的进化能力注射进B域HyperAgents 支持一个非常优雅的运行入口 generate_loop.py其中几个参数是迁移实验的关键参数作用--meta_patch_files把外部进化实验产出的补丁应用到新实验的第 0 代--reset_task_agent剥掉补丁中针对任务智能体的改动避免答案泄漏--reset_meta_agent剥掉针对元智能体改动让新域从零进化--domains指定目标域如imo_proof、paper_review、genesis_go2hop等补丁的过滤逻辑实现在 process_meta_patch_files按文件粒度从 diff 中剔除task_agent.py、meta_agent.py的改动块只保留纯元能力部分。 实验结果迁移到底有多猛以最难的IMO 证明评分imo_grading域为例对比三组实验实验组最佳成绩说明初始智能体Initial agent0.0裸起点关闭自我改进w/o self-improve0.0 ~ 0.13只会原地打转迁移A域智能体直接搬成品0.0❌ 完全失效DGM-HA w/o self-improve transfer0.54 ~ 0.63✅ 迁移 meta-patch 后起飞数据来自 plot_testevals.py 中的transfer_hyp分组。结论非常震撼直接迁移成品智能体毫无用处——A域调优出的解题代码换个任务就废了迁移自我改进能力却立竿见影——分数从约 0 直接跳到 0.6 以上甚至在transfer_continue组中L361-L386迁移后继续进化还能冲到0.72超过专家代表基线的 0.67换句话说HyperAgents 证明进化能力本身是可迁移的资产比任何单一任务的技能都更值钱。 谁来挑最有价值的节点做迁移不是分数最高就一定最该迁移。analysis/transfer_utils.py 实现了三种挑选策略max_score选绝对分最高的节点growth选后代成长潜力最大的节点growth 分数 会沿进化树累加后代的增量贡献并按距离指数衰减growth_imd用相对父代的即时增益计算潜力这个设计背后的直觉是一个分数中等但后代个个大涨的节点往往携带更强的通用进化基因。⚙️ 如何跑起来快速上手指南完整流程在 README.md 中有说明核心步骤# 1. 配置 .env 文件写入 OPENAI / ANTHROPIC / GEMINI API keys # 2. 安装依赖 pip install -r requirements.txt -r requirements_dev.txt # 3. 构建 Docker 容器元智能体在容器内改代码安全隔离 docker build --networkhost -t hyperagents . # 4. 初始化基础智能体 bash ./setup_initial.sh # 5. 启动进化循环可加 --meta_patch_files 做迁移实验 python generate_loop.py --domains imo_proof⚠️安全提示该仓库会执行模型生成的不可信代码请务必在 Docker 等隔离环境中运行官方 README 中也有同款警告。运行过程中每个域会先跑小规模分阶段评测staged eval分数过低则跳过全量评测以节省算力——这个细节在 generate_loop.py 中实现。️ 代码地图按图索骥想深入阅读源码建议从这几个入口开始进化主循环generate_loop.py元智能体实现meta_agent.py任务智能体实现task_agent.py补丁处理与父代选择utils/gl_utils.py迁移节点挑选analysis/transfer_utils.py实验结果数据analysis/plot_testevals.py各领域评测集domains/涵盖 IMO 证明、论文评审、BabyAI 游戏、Genesis 机器人、多语言编程等 总结三个值得记住的洞察自我改进是可迁移的meta-patch 携带的是会学习的能力不是会的知识进化树比单链条更有价值归档archive 多样父代选择让系统能发现意想不到的垫脚石节点迁移实验设计很干净用reset_task_agent/reset_meta_agent剥离任务专属改动才能证明元能力才是分数跃升的真正来源HyperAgents 展示的或许正是通往通用自我改进智能体的一块拼图——进化出的不是某个解法而是进化本身。【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考