Test-time co-evolution betekent dat een team AI-agents beter blijft worden terwijl het in gebruik is, zonder dat het AI-model opnieuw wordt getraind. De agents leren wie van hen waar goed in is, wie goed samenwerken en welke lessen ze doorgeven, via tekst in hun prompts en een paar scores. De belofte is een team dat zich aanpast aan de taken die het krijgt. In mei 2026 was dit laboratoriumonderzoek.
Waar komt de term vandaan?
In machine learning is "test time" de fase waarin een getraind model wordt gebruikt in plaats van getraind; in de praktijk is dat inferentie. Twee papers zetten "test-time co-evolution" in mei 2026 in hun titel: TacoMAS (Xu e.a., 10 mei) en EVOCHAMBER (Zhang e.a., 11 mei). Co-evolutie betekent dat meerdere dingen samen veranderen. Volgens de auteurs van EVOCHAMBER ontwikkelt een multi-agentsysteem zich in wie er samenwerkt, hoe er wordt samengewerkt en hoe kennis door de populatie stroomt. Het artikel over inference-time co-evolution beschrijft hetzelfde idee onder een andere naam en vergelijkt beide papers; dit artikel volgt EVOCHAMBER stap voor stap.
Hoe doet EVOCHAMBER het?
De pool begint met 20 identieke agents op hetzelfde model. Voor elke taak in een reeks gebeurt het volgende:
- Een selector stelt een team van drie samen voor dat soort taak (een niche). Het anker is de agent met de beste staat van dienst op de niche en is ook de leider. De aanvuller brengt vaardigheden in die het anker mist en heeft eerder goed met het anker samengewerkt. De verkenner heeft weinig ervaring met de niche, zodat elke agent taken blijft krijgen.
- De leider kiest een van vier manieren van samenwerken: stemmen, debatteren, maker en criticus, of de taak opsplitsen. Die keuze leert hij uit een gedeeld logboek van eerdere rondes.
- De score van het team telt voor alle drie de leden en werkt per agent de vaardigheid per niche bij, en hoe goed paren samenwerken.
- Elke agent schrijft een les voor de niche en een algemeen inzicht op, en haalt later de meest vergelijkbare terug in zijn prompt.
- Na een mislukte of betwiste taak start CoDream: het team reflecteert samen en geeft lessen door van agents die sterk zijn in die niche aan de zwakkere.
- Om de 10 taken kopieert het systeem sterke agents, voegt het bijna-dubbele samen, verwijdert het agents die blijven achterlopen en voegt het nieuwe toe.
De modelgewichten veranderen nooit. Alles wat de pool leert, zit in prompts, scores en de samenstelling van de pool.
Wat leverde het op?
Met het open model Qwen3-8B melden de auteurs 63,9% op 382 moeilijke wiskundeopgaven, tegen 48,4% voor de beste vergelijkbare methode (MemCollab) en 29,8% voor één agent. Die relatieve winst van 32% geldt alleen voor wiskunde. Op code haalde de pool 75,7%, en op een gemengde reeks uit zes domeinen 87,1%. Zonder CoDream zakte de gemengde reeks naar 76,3%, de grootste daling van alle onderdelen. Met GPT-4.1-mini was de winst ten opzichte van één agent kleiner: 10,7 procentpunt op moeilijke wiskunde, tegen 34,1 met Qwen3-8B.
Waar liggen de grenzen?
- Het kost ongeveer 3,6 keer de inferentie van één agent, wat volgens de auteurs te veel kan zijn waar snelheid telt.
- Het bewijs is smal: twee modelfamilies, benchmarkreeksen van hooguit 600 taken en vaste drempels voor het toevoegen en verwijderen van agents.
- Welke agent specialist wordt, verschilt per run, al ontstaan er elke keer vier tot vijf specialisten.
- Of lessen op langere reeksen verouderen, laten de auteurs open voor later onderzoek.
Voorbeeld
In één wiskunderun (382 taken) kreeg elk soort wedstrijdopgave een eigen dominante agent, en een andere voor elk jaar van de AIME-wedstrijd, terwijl alle agents identiek begonnen. De specialist voor AIME 2024 had nog nooit een team geleid tot die opgaven binnenkwamen. Hoe moeilijker de opgaven, hoe meer de pool op één anker leunde: de specialisatie-index uit het artikel steeg van ongeveer 0,1 op de algemene set moeilijke wiskundeopgaven naar ongeveer 0,3 op AIME 2024.