DarwinX：模型不动，只进化外壳
内容提要
DarwinX提出一种自我改进agent方法：冻结模型权重，仅进化外部“外壳”（提示、工具、控制流等）。通过群体选择，子代须在至少一任务上变好且不显著退化父代能力，避免单线搜索的路径依赖和局部退化。实验显示四档基准平均提升约17点，跨benchmark迁移仍有正收益，但未做隔离消融，算力成本未报告。
延伸解读
准入条件：把“不许倒退”变成硬门槛
DarwinX 的核心机制不是让模型自我改进，而是把“不退化”写进进化准入条件：子代必须至少在一项任务上变好，且父代已解决的任务上损失不超过容差 δ。这改变了自我改进的评估方式——回退不再是事后统计，而是被直接挡在门外。这种设计避免了单线搜索中“局部胜利换全局退化”的常见问题，但也意味着每次提案都要跑保存性探测，回退率越高，算力成本越大。
四档基准：进化信号与测试的距离决定可信度
论文按“进化信号与测试之间的距离”设计了四档实验，从同题打分到跨 benchmark 迁移。第一档 Terminal-Bench 2.1 是纯 in-domain，只证明循环能跑；第二档 TerminalWorld 用留出题验证泛化；第三档 WebArena-Infinity 任务分布和奖励来源同时变，缺口最宽；第四档把第一档进化出的壳搬到 SWE-bench Verified，仍获正收益。四档平均涨约 17 点，但作者明确区分了域内结论与迁移靶子，第四档的 3.4 点正收益才说明学到的是通用能力而非补丁。
未做隔离消融：17 点提升的来源无法归因
作者自认没有做隔离消融：archive、父代选择器、重组算子、推理预算等至少四个可独立开关的部件，都未单独随机化，最后只报了合起来的效果。因此那 17 点提升里，究竟是“不许回退”这道门起的作用，还是单纯多跑了几十次提案，目前无法分开。此外，TerminalWorld 只有 41 道题，一道题就动 2.4 个点，McNemar 检验 p=0.45，作者也写明是提示性而非决定性。
Q&A
DarwinX的核心思想是什么？
DarwinX提出一种自我改进agent的方法，核心是冻结模型权重，只进化外部“外壳”（包括提示、工具、控制流等），通过群体选择和准入规则实现能力提升，避免单线搜索的路径依赖和局部退化。
DarwinX如何避免单线搜索的路径依赖和局部退化？
DarwinX采用群体选择，同时维护多个变体，每个变体独立进化并记录成绩。子代必须满足两个条件：至少在一个任务上变好，且在父代已解决的任务上退化不超过容差。这样避免了单线搜索中因路径依赖和局部胜利导致的全局退化。
DarwinX中的“外壳”包括哪些部分？
外壳包括提示、工具、笔记和控制流等，分为skill（提示、记忆、蒸馏知识）和code（工具、控制流、agent循环）两部分，共用一套编辑接口。
DarwinX在Terminal-Bench 2.1上的表现如何？
在Terminal-Bench 2.1的88道题中，36道变好、43道不变、9道变差，整体从75.5%提升到83.2%，涨7.7点。
DarwinX在跨benchmark迁移中的表现如何？
将第一档进化出的外壳迁移到SWE-bench Verified的500道题上，获得421/500（84.2%）的pass@1，比参照的80.8%高3.4点，表明迁移后仍有正收益，说明学到了一些通用能力。
DarwinX的编辑信号来源有哪些？
三种来源：失败信号（从失败轨迹归纳结论）、教师信号（蒸馏参照求解器的成功轨迹）、自省信号（对比自身通过与失败的rollout）。教师信号只在agent从未跑通的任务上使用。
DarwinX的局限性有哪些？
局限性包括：没有做隔离消融，无法确定各部件贡献；TerminalWorld测试集小，结果提示性而非决定性；有效性审计非形式化；选择上限受提案多样性限制；算力成本未报告。
