[2606.26294] 红皇后哥德尔机器：协同演化的智能体及其评估者

自我改进型智能体（self-improving agents）如今已经在代码类 agentic benchmark 上刷到了 SOTA，最近也开始被推广到更通用的领域。但这些方法的搜索机制普遍有一个隐藏假设：评价标准是"静止不动"的——无论是固定的 verifier、固定的 benchmark，还是固定的标注数据集，都被默认为在智能体不断进化的过程中始终有效。这其实忽略了生物演化中最核心的一条规律：物种在变，环境也在跟着一起变。我们希望把这个"红皇后"式的共演化逻辑真正带入递归自我改进，让评价本身也成为改进循环的一部分——向不断演化的评价者、对抗性目标、动态效用敞开大门，而不是死守一个可能早晚会被超越的静态 benchmark。

为此，我们提出 Red Queen Gödel 机（RQGM）：一个支持"非平稳效用函数"下递归自我改进的演化框架。RQGM 的关键设计是"可控的效用演化"——把整个搜索过程切分成若干个 epoch，每个 epoch 内部的评价标准保持固定不变，只有在 epoch 边界处才允许更新效用函数。这样一来，自我改进的理论保证可以在每个 epoch 内部照常成立，同时目标本身依然能够跨 epoch 持续演化。

我们先在可验证的编程任务上做了验证：即便在这种"标准答案很明确"的场景下，RQGM 依然能通过引入一个互补的、agent-as-a-judge 代码评审信号，把测试通过率刷到超过此前的 SOTA——而且这个信号本身更省钱，RQGM 整体的 token 消耗只有基线的约 1/1.35 到 1/1.72（即节省 1.35–1.72 倍）。

接着我们把场景推广到更"软"的任务上：科研论文写作与评审，以及奥赛级别的证明写作与评分。结果同样亮眼——共同演化出来的"写作者"在多样化的 agent-as-a-judge 评审团面前，录用率比此前的自我改进型智能体高出 1.78–1.86 倍；共同演化出来的"评分者"在真实标准答案上的准确率也提升了 9 个百分点。

在论文评审这一块，我们还发现了一个值得警惕的现象：目前最强的 baseline 评审者存在明显的"AI 论文偏爱症"——对 AI 生成论文的接受率最高能达到人类论文的 1.91 倍。RQGM 通过引入一个对抗性目标，成功找到了对 AI 生成内容和人类写作同等严格的评审策略，一定程度上纠正了这种偏差。