論文の概要: Mem$^2$Evolve: Towards Self-Evolving Agents via Co-Evolutionary Capability Expansion and Experience Distillation

• arxiv url: http://arxiv.org/abs/2604.10923v1
• Date: Mon, 13 Apr 2026 02:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.28261
• Title: Mem$^2$Evolve: Towards Self-Evolving Agents via Co-Evolutionary Capability Expansion and Experience Distillation
• Title（参考訳）: Mem$^2$Evolve:Co-Evolutionary Capability Expansion and Experience Distillationによる自己進化型エージェントを目指して
• Authors: Zihao Cheng, Zeming Liu, Yingyu Shan, Xinyi Wang, Xiangrong Zhu, Yunpu Ma, Hongru Wang, Yuhang Guo, Wei Lin, Yunhong Wang,
• Abstract要約: 大規模言語モデルによるエージェントは、経験を蓄積したり、動的に新しい資産を創り出すことで自己進化することができる。 既存のフレームワークは通常、これらの2つの進化過程を分離して扱う。 本稿では,共進化的能力拡張と経験蒸留という新しいパラダイムを導入する。
• 参考スコア（独自算出の注目度）: 42.09919382465098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While large language model--powered agents can self-evolve by accumulating experience or by dynamically creating new assets (i.e., tools or expert agents), existing frameworks typically treat these two evolutionary processes in isolation. This separation overlooks their intrinsic interdependence: the former is inherently bounded by a manually predefined static toolset, while the latter generates new assets from scratch without experiential guidance, leading to limited capability growth and unstable evolution. To address this limitation, we introduce a novel paradigm of co-evolutionary Capability Expansion and Experience Distillation. Guided by this paradigm, we propose the \textbf{Mem$^{\textbf{2}}$Evolve}, which integrates two core components: \textbf{Experience Memory} and \textbf{Asset Memory}. Specifically, Mem$^{2}$Evolve leverages accumulated experience to guide the dynamic creation of assets, thereby expanding the agent's capability space while simultaneously acquiring new experience to achieve co-evolution. Extensive experiments across 6 task categories and 8 benchmarks demonstrate that Mem$^{2}$Evolve achieves improvement of 18.53\% over standard LLMs, 11.80\% over agents evolving solely through experience, and 6.46\% over those evolving solely through asset creation, establishing it as a substantially more effective and stable self-evolving agent framework. Code is available at: https://buaa-irip-llm.github.io/Mem2Evolve.
• Abstract（参考訳）: 大きな言語モデルによるエージェントは、経験を蓄積したり、新しいアセット(ツールや専門家エージェントなど)を動的に作成することで自己進化することができるが、既存のフレームワークは通常、これらの2つの進化プロセスを分離して扱う。 前者は本質的に手動で定義された静的なツールセットによって拘束され、後者は経験的なガイダンスなしでゼロから新しい資産を生成し、能力の成長と不安定な進化をもたらす。 この制限に対処するため、我々は進化的能力拡張と経験蒸留という新しいパラダイムを導入する。 このパラダイムでガイドされた \textbf{Mem$^{\textbf{2}}$Evolve} は、2つのコアコンポーネント: \textbf{Experience Memory} と \textbf{Asset Memory} を統合する。 具体的には、Mem$^{2}$Evolveは蓄積された経験を活用して資産の動的生成を誘導し、エージェントの能力空間を拡大し、同時に新しい経験を取得し、共進化を達成する。 6つのタスクカテゴリと8つのベンチマークにわたる大規模な実験により、Mem$^{2}$Evolveは標準のLLMよりも18.53\%、経験を通じてのみ進化するエージェントよりも11.80\%、資産生成を通じてのみ進化するエージェントよりも6.46\%の改善を実現し、より効果的で安定した自己進化型エージェントフレームワークとして確立している。 コードは、https://buaa-irip-llm.github.io/Mem2Evolve.comで入手できる。

関連論文リスト

• Squeeze Evolve: Unified Multi-Model Orchestration for Verifier-Free Evolution [81.46210789228296]
  検証不要な進化推論のための統合型マルチモデルオーケストレーションフレームワークであるSqueeze Evolveを紹介する。 われわれのアプローチは単純な原則で導かれており、最良効能を有するモデル能力を割り当てる。
  論文  参考訳（メタデータ） (2026-04-09T02:14:45Z)
• EvoCUA: Evolving Computer Use Agents via Learning from Scalable Synthetic Experience [44.734653745434834]
  本稿では,ネイティブコンピュータ利用エージェントモデルであるEvoCUAを紹介する。 静的な模倣とは異なり、EvoCUAはデータ生成とポリシー最適化を自己持続的な進化サイクルに統合する。 EvoCUAは以前の最高のオープンソースモデルであるOpenCUA-72Bを大きく上回っている。
  論文  参考訳（メタデータ） (2026-01-22T11:36:43Z)
• MemEvolve: Meta-Evolution of Agent Memory Systems [66.09735157017558]
  自己進化型メモリシステムは、大型言語モデル(LLM)ベースのエージェントの進化パラダイムを前例のない形で再構築している。 MemeEvolveは、エージェントの経験的知識とメモリアーキテクチャを共同で進化させるメタ進化フレームワークである。 EvolveLabは、12の代表的なメモリシステムをモジュール設計空間に蒸留する、統一された自己進化型メモリである。
  論文  参考訳（メタデータ） (2025-12-21T14:26:14Z)
• EvoLMM: Self-Evolving Large Multimodal Models with Continuous Rewards [52.42920996842378]
  本稿では,1つのバックボーンモデルから2つの協調エージェントをインスタンス化する自己進化型フレームワークEvoLMMを提案する。 この動的なフィードバックは、情報的クエリの生成と構造化推論の洗練の両方を促進する。 私たちのコードとモデルはhttps://github.com/mbzuai-oryx/EvoLMMで公開されています。
  論文  参考訳（メタデータ） (2025-11-20T18:59:54Z)
• FLEX: Continuous Agent Evolution via Forward Learning from Experience [54.796367711967754]
  大規模言語モデル(LLM)によって駆動される自律エージェントは、推論と問題解決に革命をもたらしたが、訓練後も静的のままである。 我々は,LLMエージェントが蓄積された経験を通して継続的に進化することを可能にする勾配のない学習パラダイムであるFLEX(Forward Learning with Experience)を紹介する。
  論文  参考訳（メタデータ） (2025-11-09T16:31:39Z)
• EvolveR: Self-Evolving LLM Agents through an Experience-Driven Lifecycle [26.048906477714937]
  現在のLLM(Large Language Model)エージェントは、ツール使用時のパフォーマンスは高いが、自身の経験から体系的に学習する能力は欠如している。 EvolveRは、エージェントが完全なクローズドループ体験ライフサイクルを通じて自己改善できるように設計されたフレームワークである。 複雑なマルチホップ質問応答ベンチマークにおけるEvolveRの有効性を示す。
  論文  参考訳（メタデータ） (2025-10-17T12:03:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。