代理評測
GDPevo 以規則重組測試代理自我演化，完整提示仍領先自主學習逾 30 點
GDPevo 將企業流程拆成原子規則，再於保留測試題重新組合，以判斷代理能否從先前任務累積可轉移策略。公開結果顯示自主演化確有增益，但距離取得完整規則的 91.6% 上限仍遠。
代理「自我演化」常以累積記憶、技能文件或修改工作流程實作，但測試成績上升未必代表真正學會新規則，也可能只是重遇相似題目。8 月 4 日公開的 GDPevo 嘗試縮小這項歸因問題：研究團隊把 CRM、ERP、財務、醫療、法律、資料分析及工程維運流程拆成原子商業規則，將部分規則分散到五個訓練任務，再把它們重新組合成五個保留測試任務。如此一來，測試題不直接重複訓練題，卻仍要求代理轉移先前取得的流程知識。
目前儲存庫已放出 24 組、共 240 個任務，以及資料建構、規則評分器和逐次實驗報告。團隊比較不演化、只看訓練輸入、自學、取得標準答案的 few-shot，以及接受三輪評審回饋後整理工作流程等模式。以 Claude Code 搭配 Opus 4.8 為例，基線準確率為 49.11%，自學升至 57.37%，三輪反思達 62.72%；直接提供範例答案則達 70.90%。不同模型與執行框架的自主演化增益並不一致，顯示「模型能力」與記憶、工具及提示組成的 harness 難以分開衡量。
技術價值在於資料管線可快速產生新任務組，作者稱兩天內能把 V1 的 120 題擴至 240 題，讓評測方以輪替題目降低污染風險。工程團隊仍不應把它當成企業部署成功率：題目由自動管線生成、評分多依規則，尚未涵蓋真實組織中的權限、模糊需求與長期狀態漂移。下一步應觀察其他團隊能否重建結果，以及代理累積的策略在跨組、跨產業和版本更新後是否仍有效。