摘要
自动化模拟器构建需具备分布保真度，区别于通用代码生成。针对长视界 LLM 智能体存在的上下文漂移及因混淆结构与参数错误导致的优化不稳定问题，本文提出 SOCIA-EVO，一种双锚定进化框架。该框架引入静态蓝图以强制实证约束，采用双层优化解耦结构细化与参数校准，并建立自策展策略手册，通过贝叶斯加权检索管理修复假设。经由执行反馈证伪无效策略，SOCIA-EVO 实现了鲁棒收敛，生成的模拟器在统计上与观测数据一致。
AI 推荐理由
论文提出双锚定进化框架，核心在于通过双层优化和策略筛选实现模拟器的自我进化与收敛。
研究机构
School of Computer Science and Engineering, University of New South Wales, Australia
论文信息