智能体AI的验证与自我改进：基础与局限

事件

智能体AI系统可以通过延长搜索时间、获得额外支持，或改变提出与验证输出的方式来提升表现，但单一性能分数无法区分这些机制。研究者提出一种带隐藏终端随机性的有界验证框架，其中每个阶段规定可接受的记录、多项式界、交替验证协议和终端检查器，并区分默认支持下的原生可达范围与接口允许全部支持的闭包前沿。在一致逐点概率间隙和任务相对可靠性下，这些语言类定义良好。

研究证明，独立多数放大能同时保持两类语言，而在随机磁带上的存在性接受可能引入错误输出。精确验证是零随机性情形，并给出位置与完备性结果。随机验证类满足从Σ_k^P到Σ_k^RV再到Σ_{k+1}^P的包含关系，严格扩大和深度分离需要显式复杂度假设，而BPP=P则给出具有相同前沿的精确对应类。表示分析将不变接受与核心-支持标签区分开，后者在重构下可能改变。

对于递归自我改进，在共同可靠解释器和固定验证协议下，一致有界的自我修改仍处于同一验证类内。另设条件误差预算，用于控制自适应选择候选时的错误选择。配额强制的异或合成族将搜索成功率的无界比例与接受语言的变化分离开来，精确与概率审计可检查由此产生的证据要求。该框架把自我改进的声明与正确性、可接受证据、验证资源和选择误差四类义务绑定在一起。

来源

本条目由采集管线自动抓取并发布，完整内容见下方来源链接。

*采集源：arXiv cs.AI*