Meta² 提出预计算知识驱动的长程智能体在线演化框架

Meta² 提出了一种通过预计算可复用知识来优化长程智能体在线演化的方法。该框架并非直接优化共享的 harness，而是通过离线轨迹学习元技能，从而在线动态调整冻结模型的提示词、工具及记忆等组件。这种方法保持了任务局部性，并避免了使用测试时不可用的验证器反馈。 在 Terminal-Bench 2.1 和 DeepSWE 1.1 两项长程基准测试中，Meta² 配合 GPT-5.6-Terra 模型表现最佳，分别达到了 81.00% 和 44.44% 的性能。相较于其他评估方法，该方法在处理需要多步决策和工具调用的复杂任务时，通过在线应用预计算的演化知识，显著提升了长程任务的成功率。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。