模型冻结，信念进化

模型冻结，信念进化

一个能力顶尖的智能体，为什么会在简单任务上反复翻车？

论文开篇举了个例子。一个化学实验智能体，会加热、会提纯、会分析样品——操作能力拉满。它要把化合物 X 合成出来，按自己的认知加热到 100 度，结果得到一堆分解产物。问题不在手上，在脑子里：它以为 X 到 120 度才分解，实际上 100 度就坏了。推理能力再强，也只是在错误的前提上跑得更快。

亚马逊和杜兰大学上周的论文 EvoBelief，治的就是这个病。思路一句话：模型不动，动模型的「信念」。

冻结的是模型，进化的是世界模型

主流的自我进化智能体改的是行为：攒经验、学技能、反思复盘。这篇论文指出了一条被忽视的病因——智能体对环境机制的信念可能本身就是错的、旧的、不完整的。行为层面怎么优化都绕不过这个坑，而且错误信念还会跨任务传染。

EvoBelief 把环境知识表示成一条条「可证伪的假设」。生命周期像科学方法：

遇到意外（预测和观测对不上）或关键未知，自动提出假设——比如「X 可能在 100 度附近分解」；然后用控制变量实验主动验证——单独加热一组样品，看分解到底发生在哪；验证通过的规则写进一个持久世界模型，每条规则带自己的证据记录和适用范围；环境变了、出现反例，规则自动收窄适用范围或直接废弃。

大语言模型全程冻结——不微调、不改提示词做根本性重写、不动权重。进化发生在模型外面那一层信念库里。

战绩

四个基准，覆盖三类世界：静态环境、暗中漂移的环境、需要科学发现的环境。

ALFWorld 家务模拟，难处在于不给动作记忆——智能体必须靠学到的环境规则而不是「上次怎么做的」。EvoBelief 比对等的冻结基线成功率高出 23.9%（Claude Haiku 4.5）到 31.3%（GPT-5.4）。注意基线是「对等的」——同样冻结、同样有世界模型，区别只在于信念不能演化，这个对照把增量干净地归到信念演化上。

MiniGrid 的设定更刁：双钥匙房间，规则在第 20 个回合静默切换——前 20 回合蓝钥匙开门，之后变成绿钥匙，没有任何提示。靠先验的智能体在第 20 回合集体卡住；EvoBelief 检测到反例、修订规则、恢复性能。更细的一个数字：对照组的差距缺口（先验智能体和它之间的成功率差）被学到的规则完全抹平。

DiscoveryWorld 科学实验室是最有说服力的一站。反应堆实验室任务要求智能体自己发现定量物理规律——基线模型全部 0%，EvoBelief 完成 83.3% 的普通档和 58.3% 的挑战档。不是背出来的，是实验出来的：加热、观测、对照、归纳。

信念的证据链

这个架构最讲究的部分，是每条规则都带着证据和适用范围，不裸奔。

反过来看，这恰恰是它能跨任务复用的原因——一条在厨房验证过的规则，带证搬到客厅，比一段没有证据的模糊记忆可靠得多。论文在局限里也点了一句有意思的未来方向：验证过的信念带着证据记录，可以跨智能体共享，或者蒸馏进模型权重——「一个智能体验证过的东西，变成下一个智能体的先验」。

局限照录：目前全部实验在文本环境里做，转换到多模态和真实物理世界需要把「计数阈值」换成统计检验（物理世界有噪声，一两次反例可能只是运气）；真实世界的实验可能昂贵或不可逆，需要风险上限和人工审批；当情景记忆已经能补上先验缺口时，信念库和记忆有重叠，何时信哪个是开放问题。

位置

这条路线在当前的自进化谱系里占了个很特殊的格子。改权重贵（Rufus-Air 一轮后训练八百多节点天）；改提示词和技能库轻，但改的是「怎么做」不是「世界是什么」。EvoBelief 改的是第三样东西：对世界本身的认知，而且用的是科学方法——假设必须可证伪、验证必须是独立对照、规则必须带证据。

昨天的 12 小时研究案例里，微调后的模型学会了「留一视角」自造诊断再迭代。今天这篇把同一件事做成了架构而不是训练结果：意外触发假设、实验提供验证、证据跟着规则走。把「科学方法」当智能体的一个组件而不是一个偶得的行为——这是这篇论文最干净的一步。

*信源：arXiv 2610.12789（2026-10-08），EvoBelief: A Self-Evolving World Model as Falsifiable Hypotheses for LLM Agents；杜兰大学×亚马逊（通讯 swang47@tulane.edu / gujiang@amazon.com，一作系亚马逊实习期工作）；四基准：ALFWorld（无动作记忆）、MiniGrid（静默漂移）、DiscoveryWorld（反应堆实验室）；模型 Claude Haiku 4.5 与 GPT-5.4 冻结。*