EvoTrainer: Co-Evolving LLM Policies and Training Harnesses for Autonomous Agentic Reinforcement Learning
EvoTrainer：自主训练中策略与诊断羁绳的共进化框架
🧭 自动化训练 · 共进化诊断 harness ★ 深度解读
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences · Tongyi Lab, Alibaba Group · Alibaba Group · SUAT
提出 EvoTrainer，让训练诊断 har ness 随策略共同进化，在 SWE/Math/Coding 上超越人工 RL 基线
📌 工作参考价值（4 点）
- 训练诊断基础设施的持续进化：在推荐系统模型迭代中，可引入版本化的监控指标（如 CTR、留存）和诊断分析器，当业务指标停滞时，自动探测新瓶颈（如曝光偏差、用户群体差异），触发诊断升级。
- 持久化训练技能库：积累已验证的调参机制（如方差过滤、长度惩罚），跨项目复用，类似 StdGroupFilter 在 SWE→Math/Coding 的迁移，可构建推荐场景的“策略模板库”。
- 避免纯 score 驱动的短视自主迭代：通过引入行为层诊断（如用户行为序列检查、重复曝光统计），防止虚假高分模型被错误提升，类似 Git 泄露审计。
- 版本化实验管理与回溯：保留完整训练谱系和干预记录，便于事后归因，为自动实验平台提供审计和演绎能力。