自我进化基准：多智能体进化搜索自动生成任务并诊断模型失败

研究团队提出“自我进化基准”，利用多智能体进化搜索，让 LLM 从现有工具集和任务原语中自动生成具有挑战性的新任务。该方法可大规模诊断模型失败模式，以应对工具使用评测成本高、依赖领域专家及测试数据饱和的问题。