自我改进的人工智能系统能够修改支配自身行为的设计。然而，现有方法往往只围绕少数父代智能体及其进化经验展开，导致整体群体的潜力未被充分利用。我们观察到，群体覆盖率（即至少有一个变体能够完成的任务数）与最佳单体智能体的性能之间存在显著差距。该差距表明，群体内部会出现有价值的能力和诊断证据，但这些信息并未被整合到最强的智能体中。基于此，我们提出“无所不在的视角”原则：在改进智能体时，应通过全群体的成功、失败以及先前的自我修改模式来解释其行为。我们将该原则具体化为群体中心进化（Population‑Centered Evolution，PCE）。PCE 从群体中提取任务记录和修改历史，构建一个群体块，该块捕捉重复出现的失败、互补的成功以及已有修改的效果，并据此指导对选定父代的 harness（约束/提示）进行改进。在相同模型、初始 harness 和进化调度下，PCE 在 SWE‑bench Verified 上取得 72.1% 的成功率，在 Polyglot 上达到 96.7%，分别比强基线提升 3.2 和 5.9 个百分点。实验表明，PCE 将群体覆盖率与最佳智能体性能之间的差距在 SWE‑bench 上缩小了三分之一，并在 Polyglot 上完全消除。结果支持了将群体视为证据而非仅仅是候选体的进化思路。
点评