EnvOpt通过优化智能体环境降低运行成本

UC Berkeley、芝加哥大学与Bespoke Labs提出EnvOpt，通过编码智能体在无评分器、无参考答案的训练任务上迭代修改环境的组织和呈现方式，并用验证集决定停止时机。在AutomationBench上，该方法使Claude Haiku 4.5成本降低72.7%、通过率提升14.34%；迁移至Opus 5后，成本降低68.1%、通过率提升1.34%。 EnvOpt生成的优化环境还可与Meta-Harness优化过的harness叠加，进一步使成本降低83.4%、准确率提升11.17%。

AI 根据报道生成 · 53 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。