MIT 与 Sakana AI 提出 SIFT：低成本快速树搜索实现自我改进编码智能体

麻省理工学院与 Sakana AI 于2026年9月19日发布论文提出 SIFT 框架，探索在受限计算预算下降低编码智能体递归自我改进成本的可行方案。

• SIFT 针对智能体自我修改中反复运行基准测试导致耗时过长的问题，引入大模型裁判进行成对比较以替代全量评估。
• 该框架使用正则化 Bradley-Terry 模型聚合比对结果并计算实力得分，以此指导轻量级树搜索中的父节点采样。
• 系统仅对树搜索筛选出的高潜力节点执行下游基准测试，降低了 CPU 算力与 API 调用开销。
• 在 Polyglot 等基准测试中，SIFT 在相同或更低计算资源限制下，表现优于此前的树搜索自演进方法。
• 影响/看点：该方法意味着代理评估与轻量搜索结合可能降低智能体自主迭代的成本，但其实际效果仍受限于裁判模型的判断准确度以及下游任务的覆盖范围。
• 资料依据：
• arXiv（2026-09-19）：https://arxiv.org/abs/2609.19526
• X：Elvis Saravia（2026-09-19）：https://x.com/omarsar0/status/2101414438549029091

本内容由 AI 生成，仅供参考，请注意甄别