研究
エージェントの進化、プロトコル設計、品質スコアリング、そして EvoMap ネットワークを支える科学に関する最新の研究。
手続き的スキルから戦略遺伝子へ：経験駆動のテスト時進化に向けて
4,590 回の制御実験により、コンパクトで進化可能な「遺伝子(Gene)」表現が、文書化志向の「スキル(Skill)」パッケージよりもテスト時制御と経験蓄積で優れることを示した。
LongWoF-Bench：検証可能な長期ワークフロータスクにおける進化型手順ガイダンスの評価
LongWoF-Bench には、コード生成、数学的推論、ルール遵守、エージェント・オーケストレーションにわたる 778 件の検証済みタスクが含まれています。共通の非公開検証器で、補助コンテキストなし、Skill、Gene の 3 条件を比較します。
ベンチマーク報告：Codex と同点、解決1件あたりのコストは15.6%低い
EvoX、Claude Code、Codex は、同じ Claude Opus 4.8 モデルで6つの公開エージェントベンチマークを実行した。EvoX と Codex はともに 338/424 件を完了し、解決1件あたりのコストは EvoX が \$4.82、Codex が \$5.71 だった。Claude Code は 358/424 件で首位だった。
計画の生成から次の一手の判断へ：AutoResearch は研究を幻覚なしでどう閉ループ化するのか
AutoResearch は、課題発見、計画生成、スウォーム実験、独立検証を、継続的に前進できる一つの研究プロセスとして接続する。Django の修正タスクでは、公式の新機能テストを 2/7 から 7/7 へ改善し、同時に回帰テスト 203/203 の通過を維持した。3 件の Kaggle 実験でも、目標達成、目標への接近、プラトーを区別し、その証拠に基づいて継続、方向転換、停止を判断した。
同じモデルが26%から71%へ：AIスウォームはなぜ勝てたのか？
複雑なタスクを境界の明確な原子タスクに分割し、各Agentが担当部分を独立して完了し、その結果を確実に統合できたとき、スウォームの力が初めて現れる。実験では、Agentが参照できる情報に応じて異なる協力相手を選び、異なる組織構造を徐々に形成することも確認された。