证据层级 A
4 个项目
AlphaEvolveDarwin Godel Machine (DGM)FunSearch
Evidence queue / 证据队列
20 个候选自进化系统复核清单
这页回答一个读者问题：如果只能先读 20 个系统，应该从哪里开始、为什么要复核、哪些结论还不能当成定论。9 维评分只是分诊协议草稿，覆盖改进幅度、证据强度、可迁移性、安全性、成本效率、可用性、前瞻性、学术严谨性和实用价值。
20个候选系统
AlphaEvolve当前最先复核对象
9个待校准维度
分级
复核层级分布
证据层级 B+
2 个项目
OpenEvolveReflexion
证据层级 B
9 个项目
Absolute Zero ReasonersDSPySelf-Refine
证据层级 B-
5 个项目
SkillRLWebRLCORAL
复核顺序
按当前证据分诊排序
排序只表示“先读谁、先复核谁”。如果项目缺少可重复 benchmark、失败样本或保留机制证据，不能因为位置靠前就被写成成熟结论。
| 队列 | 项目 | 证据层级 | 分诊 | 成熟度 | D1 | D2 | D3 | U1 | U2 | U3 | U4 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | AlphaEvolve | A | 优先复核 | L4 | 9.5 | 8 | 7.5 | 2 | 8 | 9 | 8.5 |
| 2 | Darwin Godel Machine (DGM) | A | 重点阅读 | L4 | 9 | 7.5 | 7 | 4 | 7 | 8.5 | 7 |
| 3 | FunSearch | A | 重点阅读 | L4 | 8.5 | 7.5 | 6 | 3 | 7 | 8.5 | 7 |
| 4 | ADAS | A | 重点阅读 | L4 | 7 | 7.5 | 7 | 4.5 | 8 | 8 | 6.5 |
| 5 | OpenEvolve | B+ | 重点阅读 | L4 | 7.5 | 7 | 6.5 | 6.5 | 7.5 | 7 | 6 |
| 6 | Reflexion | B+ | 重点阅读 | L2 | 8 | 6.5 | 5 | 7 | 6 | 7.5 | 6.5 |
| 7 | Absolute Zero Reasoners | B | 重点阅读 | L2 | 7 | 6.5 | 7 | 4.5 | 7.5 | 7.5 | 6 |
| 8 | DSPy | B | 重点阅读 | L2 | 6 | 7 | 6.5 | 8 | 7 | 7.5 | 6 |
| 9 | Self-Refine | B | 重点阅读 | L2 | 6 | 6 | 4 | 8.5 | 5 | 6.5 | 5 |
| 10 | SE-Agent | B | 补证据 | L3 | 6.5 | 6 | 5.5 | 5.5 | 6.5 | 7 | 5.5 |
| 11 | ReVeal | B | 补证据 | L2 | 6.5 | 7.5 | 5.5 | 4 | 6.5 | 8 | 6 |
| 12 | Voyager | B | 补证据 | L3 | 7.5 | 6 | 4.5 | 5 | 6.5 | 7 | 5.5 |
| 13 | GPTSwarm | B | 补证据 | L3 | 6 | 6 | 5 | 5.5 | 6 | 7 | 5.5 |
| 14 | A-Evolve | B | 补证据 | L3 | 6 | 5.5 | 5 | 5 | 6.5 | 6.5 | 5 |
| 15 | EvoSkill | B | 补证据 | L3 | 5.5 | 5.5 | 5 | 5.5 | 6 | 6 | 5.5 |
| 16 | SkillRL | B- | 补证据 | L3 | 5.5 | 5.5 | 5 | 5 | 6 | 6.5 | 5 |
| 17 | WebRL | B- | 补证据 | L3 | 6 | 5.5 | 4.5 | 5 | 6 | 6.5 | 5 |
| 18 | CORAL | B- | 补证据 | L4 | 5.5 | 5 | 5 | 4.5 | 6.5 | 6 | 5 |
| 19 | AutoResearchClaw | B- | 补证据 | L3 | 5 | 4.5 | 4.5 | 6 | 6 | 5.5 | 6 |
| 20 | Agentic Harness Eng. | B- | 补证据 | L3 | 5.5 | 5 | 4.5 | 5 | 6 | 6 | 5 |
维度对照
各项目 9 维证据轮廓
这些条形图用于发现“强项在哪里、缺口在哪里”，不是用两位小数制造精确排名。
AlphaEvolve
56yr matrix multiplication record; Borg 0.7% compute recovery; 75% SOTA recovery on 50+ math problems
Darwin Godel Machine (DGM)
SWE-bench 20%→50%; Polyglot 14.2%→30.7%; archive-based agent evolution with lineage
FunSearch
New cap-set constructions; improved bin-packing heuristics; Nature publication
ADAS
Discovers agent architectures automatically; cross-domain transfer of discovered designs
OpenEvolve
Open-source AlphaEvolve implementation; evolutionary program search; accessible to researchers
Reflexion
HumanEval 91% pass@1 (GPT-3.5); ALFWorld 97%; verbal reflection memory
Absolute Zero Reasoners
Self-play without external data; code→math transfer
DSPy
Declarative prompt optimization; widest adoption
Self-Refine
Math 56→67%; simplest self-evolution technique
SE-Agent
Code agent self-evolution via execution feedback
ReVeal
LiveCodeBench 36.9→42.4; verification co-evolution
Voyager
3.3x unique items; skill library accumulation
GPTSwarm
RL + prompt optimization swarm
A-Evolve
Generic self-improving agent infrastructure
EvoSkill
Failure trajectories → reusable skills
SkillRL
Trajectory → skill library + RL co-evolution
WebRL
Self-evolving web agent curriculum RL
CORAL
Multi-agent open-ended discovery infrastructure
AutoResearchClaw
Research idea → paper pipeline; multi-agent debate
Agentic Harness Eng.
Observability-driven harness evolution
方法论
评分协议草稿
本协议帮助读者把“像不像自进化”拆成可讨论问题：它改了什么、怎么得到反馈、谁验证、变化是否保留、失败能否回滚。权重仍需更多 reviewer 校准，因此只能作为阅读和复核顺序。
| 维度 | 含义 | 权重 |
|---|---|---|
| D1 | 改进幅度 | 0.15 |
| D2 | 证据强度 | 0.20 |
| D3 | 可迁移性 | 0.10 |
| D4 | 安全性 | 0.10 |
| D5 | 成本效率 | 0.05 |
| U1 | 可用性 | 0.10 |
| U2 | 前瞻性 | 0.10 |
| U3 | 学术严谨性 | 0.10 |
| U4 | 实用价值 | 0.10 |