01 / 自进化优化管道
以环境交互、奖励计算和策略更新构成动态循环，同时探索模型参数与控制策略优化。
开源研究原型 · Self-Evolving MARL让多智能体
让多智能体
从反馈中持续进化
ForgingMA 面向复杂垂直任务，探索小模型专精化、分级信用分配与多智能体协同控制的闭环优化。
四个相互耦合的研究机制
从环境交互到模型与控制策略更新，组成一条可持续演进的实验管线。
02 / 小模型专精化
筛选高质量任务轨迹，通过 SFT 或偏好对齐沉淀垂直领域能力。
03 / 分级信用分配
将全局稀疏反馈下沉为动作级与 Token 级信号，提高轨迹利用效率。
04 / 多智能体协同控制
基于密集奖励建模联合动作空间，持续探索智能体之间的策略共演。
从一次任务，形成持续演进的闭环
不是固定 Prompt 编排，而是让反馈真正进入模型与控制策略。
01 环境交互
智能体执行真实任务，产生可追踪的轨迹与结果。
02 轨迹沉淀
筛选成功与失败经验，形成可复用的训练材料。
03 分级奖励
把任务级反馈下沉为动作级与 Token 级信号。
04 双层更新
同步探索小模型参数与 Harness 控制策略优化。
05 专家智能体
在垂直任务中积累经验，并把新反馈带回下一轮。
TWO-LAYER OPTIMIZATION
底层小模型的
专精化训练
系统将任务反馈同时用于专业能力沉淀与策略路由、记忆管理、上下文压缩等控制决策。
从可运行原型，到可验证的自进化系统
把当前能力与研究目标分开陈述，让进展清晰、可信。
NOW / 当前原型
可运行 Demo、基础实验管理与轨迹展示。
NEXT / 正在验证
高质量轨迹筛选、分级奖励与小模型对齐流程。
VISION / 长期目标
模型与 Harness 协同优化，形成任务导向的策略共演。
这是一个正在生长的开源研究项目
欢迎查看技术说明、运行 Demo，或参与下一阶段的验证。