智能体自我改进不再靠贪心验收：TRUST把被接受的劣质更新比例从45.59%压到2.78%
核心概要
智能体可以在不重训底层大模型的前提下改写自己的提示、记忆、工具与工作流，但此前常用的贪心验收只要验证分数变高就接受更新，容易把采样噪声当成真实进步。TRUST把逐轮验收改写为在线多重假设检验，用LLM结合历史上下文分配检验水平，并对验证样本复用做重叠校正。在HotpotQA、DROP、APPS与DeepSeek-V4-Flash、Qwen-3.8-Flash的六组设置中，平均被接受的劣质更新比例从贪心验收的45.59%降到2.78%，平均最大回撤从4.963个百分点降到0.047个百分点。
深度剖析
自我改进智能体的验收环节从“验证分数更高就接受”改为带统计控制的逐轮检验，使被接受的更新中劣质更新的比例受到约束。 贪心验收只看候选在固定验证集上的分数是否超过现任，有限样本噪声和验证数据复用带来的过拟合都会让劣质更新看起来有益并通过验收。 在HotpotQA、DROP、APPS三个基准与DeepSeek-V4-Flash、Qwen-3.8-Flash两个模型的六组设置上，跨30轮、5个随机种子平均，TRUST把被接受的劣质更新比例从贪心验收的45.59%降到2.78%，平均最大回撤从4.963个百分点降到0.047个百分点。
每一轮候选验收被当作一次假设检验，检验水平由剩余错误预算和LLM对历史上下文的评估共同决定。 此前的统计验收方法要么在单轮内控制误接受概率，要么跨轮控制族错误率，后者在实践中偏保守，SGM-B在所有运行中未接受任何更新，SGM-H仅接受三次更新。 检验统计量采用e值，即以“下注”方式累积证据的检验量，并对跨轮复用验证样本做重叠校正；在六组设置中TRUST的最终得分均高于PACE，真实进化率也均高于PACE，被接受的劣质更新比例在一组更低、三组持平、两组更高。
统计保证把验收判据与最终性能增益联系起来，而不只是给出误接受概率的上界。 此前的验收研究主要关注单轮或跨轮的误接受控制，未把检验水平与整个自我改进过程的最终增益下界对应起来。 在显式假设下，TRUST证明被接受更新中造成不可接受性能损失的比例受控，并给出最终性能增益的下界；六组设置平均的最终增益为24.84个百分点，为各验收方法中最高。
启示与展望
演示范围是HotpotQA、DROP、APPS三个基准配合DeepSeek-V4-Flash与Qwen-3.8-Flash，在含推理、路由、记忆、工作流四个组件和20个算子的可编辑智能体框架中运行30轮、5个随机种子，验证池200例、测试集300例；统计保证在文中列出的显式假设下成立。
重叠校正强度如何从数据中确定、其他参数如何最优调节，文中未给出方法；非劣效裕度提供可解释的损失容忍，但理论保证可能偏保守，只能部分解释实际行为；LLM分配器在判断候选更新时偶尔会出错，可能导致检验水平选择不当。