Yueshen Li, Kamer Ali Yuksel, Gokhan Tur, Dilek Hakkani-Tür, João Pedro Maia · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29005 · open-access PDF
Un obstacle central à l'auto-amélioration des agents est l'absence d'un signal de conditionnement fiable pour les tâches d'état réalistes. Nous introduisons \textsc{VeriEvolve}, un cadre d'évolution d'avant-garde qui construit cette couche d'évaluation manquante avant d'optimiser l'agent. À partir de l'instruction des tâches, VeriEvolve synthétise les états de défi fondés sur l'instruction et un évaluateur exécutable qui les vérifie. Au cours de chaque cycle d'évolution du flux de travail, l'évaluateur est gelé et sert de signal de conditionnement. Entre les cycles, VeriEvolve révise l'évaluateur en convertissant les états finaux
Machine translation (Meta M2M100); the English original follows.
A central obstacle to self-improving agents is the absence of a reliable fitness signal for realistic stateful tasks. We introduce \textsc{VeriEvolve}, an evaluator-first evolution framework that constructs this missing evaluation layer before optimizing the agent. From task instruction, VeriEvolve synthesizes instruction-grounded challenge states and an executable evaluator that checks them. During each round of workflow evolution, the evaluator is frozen and serves as the fitness signal. Between rounds, VeriEvolve revises the evaluator by converting the end states of strong and weak runs int
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.29005, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange