Rohan Paul

自我改进智能体一直需要人类来写评分器（grader）。 一篇新的 AWS + HSBC 论文去掉了这一步：评分器从 10 个有标注样本出发，与智能体一起协同演化，训练效果大致能赶上用真实标签（ground truth）。 Double Ratchet 让评分器与智能体技能同步演化，初期多为针对单一失败类型的小型、偏规则检查。某一版评分器被选中，是因为它与那 10 个标注样本一致，而不是因为它抬高了智能体分数。 在代码、SQL 和报告等任务上，它保留了真实标签或评分细则（rubric）给同一技能循环带来的增益的 88% 到 110%。若去掉安全机制，评分器会放过 97% 到 100% 的输出，但训练出的技能效果仍差不多。