Исследование опубликовано на arXiv 5 ноября 2026 года. Среди авторов — исследователи из Калифорнийского университета в Беркли и Шанхайского университета Цзяо Тун. Они изучали эволюцию обвязки — внешней системы, которая задаёт модели подсказки, инструменты и порядок действий. Веса самой модели при этом не меняются.
Авторы проверили 16 агентов, созданных четырьмя методами изменения обвязки, на общих задачах и задачах по программированию. Все агенты научились решать задачи, которые прежде им не удавались, но одновременно перестали справляться с частью прежних. В одном случае надёжность на общих задачах выросла на 5,2 процентного пункта, хотя агент потерял десять ранее решавшихся задач.
Средний балл усредняет результаты по задачам и прогонам, поэтому новые успехи могут скрыть прежние потери. Кроме того, восемь из одиннадцати агентов, у которых выросла надёжность, стали дороже в расчёте на один прогон по сравнению с исходными версиями.
При проверке на других наборах задач улучшения сохранились лишь частично. Число решаемых задач на общих тестах снизилось у семи из восьми агентов, а на задачах по программированию выросло у семи из восьми. При этом надёжность могла меняться в противоположную сторону.
Авторы также предложили схему EvoAudit и основанный на ней метод AGE. По их данным, AGE повысил надёжность и число решаемых задач относительно A-Evolve во всех четырёх конфигурациях. Эксперименты проводили на изолированных наборах задач, а не в работающих сервисах. Статья опубликована как препринт и не прошла рецензирование.
