Linzwcs/EvoPolicyGym

何を解決するか

EvoPolicyGym は、標準的なコーディングベンチマークが最終的な回答しか評価しないという限界に対処します。反復的な実験、フィードバックからの学習、そしてインタラクティブ環境における複雑なタスクを解決するための実行可能なポリシー（戦略）を進化させる能力を評価するフレームワークを提供します。

動作方法

このシステムは、エージェント、ワークスペース、サーバーの間のループとして動作します。エージェントはプログラム（ポリシー）を編集し、複数のエピソードにわたって実行を提出し、公開されたフィードバックを受け取ります。このプロセスは固定された「エピソード予算」によって制限されており、エージェントが探索と確認の間で戦略的に試行回数を割り当てる必要が生じます。

エージェントの処理が終了すると、ホストはプライベートな最終選択を行い、保留されたエピソード上でポリシーを評価して真の汎化能力を測定します。

対象ユーザー

• 自律的なポリシー進化とフィードバックからの強化学習に注力する AI研究者。
• 時間とともに戦略を改善する能力をテストしたい コーディングエージェント開発者。
• 新しいインタラクティブ環境を標準化された評価プロトコルに統合できるようにする ベンチマーク作成者。

特徴

• 予算付き実験: 最適なポリシーを見つけるために、環境との相互作用回数を制限された状態で管理する必要がある。
• 統一インターフェース: NetHack、Balatro、Crafter、Gymnasium などの多様な環境を、一つのベンチマーク契約で統合。
• 汎化テスト: プライベートな検証および評価セットを使用して、トレーニングエピソードに過剰適合したポリシーではないことを保証。
• エージェント統合: Claude Code、Codex、Kimi Code などのCLIベースエージェントを最初からサポート。
• 豊富な環境カタログ: ロボット工学（robosuite、MetaWorld）、古典的制御（CartPole）、複雑なゲーム（ARC Prize、NetHack）など、幅広いドメインをサポート。