Problem

目前大型語言模型（LLM）的自我進化研究多半依賴人類預設的具體任務與評估指標，將進化過程簡化為對明確目標的優化。然而，真實的人類學習往往始於如「提升研究能力」等模糊目標，模型目前缺乏自主解釋目標、識別能力差距並定義學習路徑的能力。

Method

研究團隊開發了 ASPIRE 基準測試環境，僅提供模糊的能力目標，而隱藏下游的評估任務。Agent 必須自行操作化這些目標，包含選擇資料、決定更新方法、建構訓練與驗證訊號。此環境統一支援了模型權重（weight-level）與 Agent 工具鏈（harness-level）的進化，並透過 520 個專家撰寫的隱藏項目進行成效檢驗。

Results

實驗發現，Agent 雖能完成訓練循環，但模型權重的提升極其稀少且不穩定，最強的進化結果仍遜於人工設計的 Qwen-Agent。模型經常在不匹配的資料上訓練，並過度信任狹隘的自我評估結果，導致局部進步無法轉化為實質能力，甚至因持續搜尋與訓練而抹除早期的改進。

Significance

這項研究將自我進化的定義從單純的「目標優化」推向了「自主學習」，揭示了當前 AI 在缺乏明確指引時，於目標詮釋與自我評估上的重大缺陷。這為未來開發能真正如人類般自主成長的通用人工智慧（AGI）提供了關鍵的基準與反思。