环境与执行框架协同演化能提升智能体弃权可靠性吗？

弃权并不等同于任务成功

论文针对的可靠性缺口被称为智能体弃权：当请求信息不足或环境缺少成功执行的前提时，智能体仍继续行动，而不是停下来。作者认为，在这类情况下继续行动会降低任务表现、增加API成本与延迟，甚至导致非预期或不可逆的操作。

为测量这一点，HERA-BENCH使用配对任务。每一对包含一个可解实例和一个应当弃权的实例，二者共享同一公开任务指令和工具接口，只有环境中一处受控改动决定该请求能否完成。对于N个配对，Abstain是应当弃权实例中智能体正确弃权的百分比，Act是其完成的可解实例百分比，Pair要求在同一配对的两个实例上都表现正确。Over-abstain统计在可解任务上显式弃权，作为诊断指标报告，而不是Act的补集，因为错误答案和失败操作可以在没有弃权的情况下发生。

这一区分很重要，因为一个只是更频繁拒绝的执行框架可能提高Abstain却降低Act。因此论文的核心比较是：弃权收益是否以牺牲可行任务完成率为代价，并同时报告Pair。

受控环境变异生成可验证的不可行任务

HERA的第一阶段从零构建可执行的环境—任务生态，分三步：环境构建、任务生成和环境变异。从一组环境主题出发，一个具有固定研究策略和一组研究工具的深度研究智能体构建与主题对齐的结构化数据库，并迭代扩展和精炼。

变异步骤是产生弃权案例的关键。该流程不直接编写不可行任务，而是施加受控的环境变异，把可解任务转化为需要弃权的案例，因此每个可行—不可行配对共享同一任务请求，而环境变异决定该请求能否完成。

验证是构建的一部分，而非事后补充。作者审查每个生成的配对，检查请求是否清晰、情景是否合理、可行性是否符合预期；对可行版本运行参考解并检查其满足全部要求，对不可行版本找出阻碍完成的原因，并检查是否存在另一种被允许的方法仍能满足请求。论文明确指出，仅凭模型失败不能断定任务不可行，两个版本必须共享同一用户目标，其可行性差异由指定的环境改动解释。

失败同时驱动执行框架改动与新环境生成

第二阶段是协同演化循环。使用第一阶段的构建流程，HERA交替进行环境演化与新任务构建，以及执行框架适配。每一轮分析配对执行轨迹，识别两类失败：未能完成可行任务，以及未能在不可行任务上弃权。这些失败指导有针对性的执行框架改动，并生成针对刚暴露弱点的新的执行环境和任务。

动机是信号递减。作者认为，针对固定任务集优化执行框架只能暴露有限的失败，而随着执行框架适配，同样的样例对它在何处仍然失败提供的信息越来越少。因此持续改进需要任务分布本身也随之演化。

训练池体现了这一安排：从20个任务对开始，通过六次各增加五个配对扩展到50个，并使用固定的15个配对验证集进行检查点选择。HERA-BENCH包含60个配对，作为比较各模型所选执行框架的通用基准。

协同演化在弃权上领先且不牺牲可行任务

在留出评估任务上，演化后的执行框架把弃权准确率从61.7%提升到83.3%，可行任务完成率从68.3%提升到76.7%，在所比较方法中Abstain和Act均为最高。比较集分为两类。静态执行框架基线为H0，Abstain 61.7%、Act 68.3%，以及H0加弃权提示，Abstain 68.3%、Act 63.3%。执行框架优化基线为仅执行框架演化，76.7%和71.7%；任务增强的执行框架演化，80.0%和75.0%；以及基于H0失败生成任务，78.3%和75.0%。

弃权提示那一行最清楚地展示了论文试图避免的权衡：显式提示提高了Abstain却降低了Act。执行框架演化相对H0同时改善两项指标，而协同演化在两项上都达到最高值，作者据此认为环境演化带来了额外收益且未损失可行任务表现。

这一优势也体现在后续任务批次上。协同演化与基于H0失败生成任务在最初几轮T0和T1得分相同，但之后出现分化；在T6上，协同演化达到86.0% Abstain和88.0% Act，而基于初始失败生成任务为76.0%和82.0%。作者将此解读为支持用当前执行框架的反馈来更新任务生成，而不只是依赖初始执行框架的失败。

新演化批次起点低，随后执行框架回升

协同演化动态按固定任务批次追踪。B0是初始的20个任务对，之后每个批次包含一轮环境演化后引入的五个新任务对；各批次不重叠，Ti是截至第i轮的累计训练池。

新生成的批次在同一执行框架下往往比更早批次起点更低，作者将其解读为环境演化成功针对了当前弱点。具体例子是H5，它在新引入的B6上表现明显差于B0和大多数先前批次；在B6被纳入执行框架演化后，更新到H6使B6上的Abstain和Act都从60.0%提升到80.0%。

可行任务表现被报告为在执行框架演化中保持稳定。更早批次上的Act有一些波动，但总体略呈正向趋势，论文指出演化流程在生成新任务时并未显式针对Act。该结论限定于所观察的批次：在这一设置中，连续的执行框架更新没有降低可行任务表现。

一个演化执行框架迁移到另外19个LLM

在GPT-5.6-Luna基座上用HERA学到的最终执行框架被固定，并在另外19个闭源和开源权重LLM上评估，未做任何针对具体模型的优化。在这些模型上，弃权准确率平均提升15.3个百分点，各模型在Abstain上的增益从6.7到40.0个百分点不等，在Pair上从1.7到28.3个百分点不等。

增益并不局限于弱基线。GPT-6-Astra在Abstain上从81.7%提升到91.7%，在Pair上从70.0%提升到80.0%，尽管它在H0下已优于GPT-5.6-Luna。论文自身的表述是：通过协同演化获得的执行框架改进可以在所评估的模型家族间迁移，而增益幅度因模型而异。

同一跨模型评估还单独报告了过度弃权。多数模型在H0和最终执行框架下过度弃权均为0.0%，少数情况出现小的非零值，例如GPT-5.6-Luna在最终执行框架下为1.7%，Mistral Large 3为15.0%。这是针对可解实例的诊断指标，不能替代Abstain或Pair数值。

成本权衡与证据的适用边界

在单个模型内应用HERA并非没有代价。在HERA-BENCH的14个模型上，它使API成本和token用量中位数分别增加2.09倍和3.31倍。论文的成本论证是比较性的而非绝对的：尽管存在这种单模型开销，一些模型仍以低得多的成本达到或接近最佳基座执行框架的表现。GPT-5.6-Luna配合HERA达到70.0%配对成功率，与基座执行框架下的GPT-6-Astra持平，估计平均API成本为每回合0.0091美元对0.0610美元，约低85%。

适用范围由基准设计决定。评估使用包含60个配对的HERA-BENCH、固定的15个配对验证集，以及从20扩展到50个配对的训练池；跨模型迁移结果覆盖所评估的19个模型以及在GPT-5.6-Luna上学到的特定执行框架。论文还指出，任务层面的不相交并不意味着环境家族或来源领域不相交，这些需要单独分组和重叠检查。

这篇论文支持的实践优先级不是只看弃权。与决策相关的比较是联合的：当执行框架提高Abstain而不降低Act时更可取，而只有当使用演化执行框架的更便宜模型在配对成功率上追平更强模型时，成本比较才变得有利。在该基准上，协同演化是同时满足这两个条件的配置，迁移结果把这一比较扩展到多个模型家族，而不是为每一种部署场景确立该结论。

本文引用的文献