Test-Time Learning with an Evolving Library

核心贡献：EvoLib 框架实现无参数、自演化的测试时学习

EvoLib 提出一种新型测试时学习范式，彻底规避模型参数微调或外部标注反馈。其核心是构建并持续演化一个共享的‘知识抽象库’（library of knowledge abstractions），该库内容包括：

• 模块化技能（modular skills），如子任务解决策略或工具调用模式；
• 反思性洞见（reflective insights），如失败归因、假设修正或跨实例类比归纳。

所有抽象均从大语言模型（LLM）自身的推理轨迹（inference trajectories）中自动提取，不依赖人工标注或强化学习信号。

知识演化机制：兼顾即时效用与长期价值的加权整合

为支持知识的持续精炼与泛化，EvoLib 引入一套原则性加权与整合机制（principled weighting and consolidation mechanism）：

• 对每个新生成的抽象按其在当前实例中的效用（immediate utility）与跨实例复用潜力（long-term value）联合打分；
• 通过可学习的权重函数实现动态去重、合并与泛化——例如将多个具体数学解题步骤抽象为通用代数变换规则；
• 实现简单、实例特异的抽象随时间逐步演化为更通用、可迁移的知识单元。

实证效果：在无 ground-truth 反馈下全面超越 SOTA

EvoLib 在三大高难度测试时学习基准上完成严格评估：

• 数学推理（GSM8K、MATH）；
• 代码生成（HumanEval、MBPP）；
• 多轮智能体环境（ALFWorld、WebShop）；

结果表明：EvoLib 在全部任务中显著优于当前最优的测试时缩放（test-time scaling）与测试时学习（test-time learning）方法（如 ToT、Self-Refine、STaR），且所有提升均在无真实标签（ground-truth feedback）监督条件下达成。