Hugging Face发布CoEvo-RSI框架：解决递归自改进智能体中的脑-体失配问题

摘要：Hugging Face推出CoEvo-RSI框架，旨在解决递归自改进智能体中的脑-体失配问题。该框架通过双向历史继承机制，利用共享进化档案和执行反馈，指导模型检查点选择或合并，并优化智能体在复杂任务中的表现。实验表明，CoEvo-RSI仅通过监督微调（SFT）即可使Qwen3.5-9B在多智能体故障归因、角色感知文本到SQL和智能家居指令跟随等任务中表现优异，超越了DeepSeek-V4-Pro和GLM-5.3等模型，展示了其在减少脑-体失配方面的潜力。

---

背景与挑战

递归自改进（RSI）智能体通过不断进化其执行支架（身体）和内在能力（大脑），以实现持续改进。然而，脑-体失配问题，即不断进化的执行支架要求智能体模型尚未学习的行为或限制其已具备的能力，是一个长期存在且常被忽视的挑战。

CoEvo-RSI框架介绍

Hugging Face推出的CoEvo-RSI框架通过以下机制解决上述问题：

1. 双向历史继承：利用共享进化档案和执行反馈，指导模型检查点选择或合并。
2. 元代理协调：在选定的执行支架下进行模型适应，确保继承的能力与不断变化的任务需求对齐。
3. 监督微调（SFT）：仅通过SFT对拒绝采样的轨迹进行微调，使模型在复杂任务中表现优异。

技术机制剖析

CoEvo-RSI的核心在于其双向历史继承机制。通过分析历史设计，模型能够从过去的成功与失败中学习，并结合当前任务需求进行优化。这种方法不仅提高了模型的适应能力，还减少了训练时间和计算资源的需求。

工程权衡与实测表现

• 优势：CoEvo-RSI在多个垂直应用中表现出色，包括多智能体故障归因、角色感知文本到SQL和智能家居指令跟随等。
• 性能提升：在TraceElephant基准测试中，Qwen3.5-9B相较于DeepSeek-V4-Pro提升了14.16%的智能体准确率；在HomeBench VM基准测试中，相较于GLM-5.3提升了4.90%的成功率。
• 局限性：尽管CoEvo-RSI在减少脑-体失配方面表现出色，但在处理极端复杂任务时仍需进一步优化。

开发者落地与部署建议

对于开发者而言，CoEvo-RSI提供了一种高效的方法来提升智能体在复杂任务中的表现。建议在以下场景中应用该框架：

• 多智能体系统：通过协调不同智能体的行为，提高整体任务执行效率。
• 角色感知任务：在需要角色感知和上下文理解的任务中，CoEvo-RSI能够提供更精准的响应。
• 智能家居应用：在智能家居环境中，CoEvo-RSI能够更好地理解和执行用户指令。

总结

CoEvo-RSI框架展示了在解决脑-体失配问题上的巨大潜力，并为递归自改进智能体的进一步发展提供了新的思路。

---

消息来源：Hugging Face Daily Papers (2026-10-18)

—— 完 ——

主题标签： #Hugging Face 关注 #智能体 关注 #递归自改进 关注 #脑-体失配 关注 #CoEvo-RSI 关注