规则更多、列表更长？在隐式规则课程上评测自进化智能体

研究者提出评测基准 CLR-Bench，包含 10 个领域的 20 条链，用于评估自进化智能体从反馈中学习隐藏规则的能力。评测 6 种自进化方法发现，多数方法在认证模型上仅靠堆砌特例且几乎无法泛化；但在 GPT-6-Sol 支持下，ACE 与 Dynamic Cheatsheet 仅凭反馈便达到 78% 准确率并解决 59-60% 的单元格。