别把没过线的候选直接扔掉

标准自动进化环里，候选没过线就丢掉。Mara Chain 把这些失败者当成跳板，沿一条有上限的细化链再改。论文号 2609.35855，2026-09-25 挂到 arXiv。公开仓 ant-research/AntOmniEvo 本轮约 1.1k 星，许可 Apache-2.0。HF 日榜已不在前十五，热度以仓库页和论文表为准，不是本轮复现。

丢掉的候选，往往还留着线索

作者要优化的不是权重，而是已经上线的技能、套件、流水线和一小段代码。常规环提出、打分、只留赢家。论文认为被丢掉的选项里，常常藏着后面步骤才用得上的信号。

Mara Chain 的外环维持一个池。按多维领导次数挑父代，在一小批上跑，再提案。子代比父代高出阈值，才拿到验证集。否则开一条固定深度的血缘链，默认深度五步，把轨迹、残差、分析和改动日志一起留下。链上任一后代过线就提前停，否则整条丢掉。验证之后先按弱帕累托丢掉被支配的向量，再按验证分均值留前三名。并行槽共用一个池，提案拆成分析再改写两段。

公开仓把可调文件目录当成基因组。你要一次交齐五样：怎么跑单条评估、零到一的打分器、训练和验证数据、把工件映到目录的模式，以及起始文件。框架管调度、预算、筛选和可中断的存储。提案器是会改文件的编码智能体。系统本身不必带大模型。评估必须能复现，而且不能贵到一轮都跑不起。只调几个标量、评估几乎不可复现，或者必须留下严格合规审计时，文档建议别用这套环。

少跑很多轮，分数还能再抬

AppWorld 585 题，168 道普通、417 道挑战。完整方法在普通集任务完成率和场景完成率写成 89.9 和 83.9，挑战集 76.7 和 59.0。空技能基线是 48.2、35.7、33.3、19.4。相对 GEPA、ACE、SkillOpt-Lite，最高相对抬 20.5%。跨模型平均四项增量：GLM-5 加 40.3 个百分点，DeepSeek-V4-Pro 加 32.7，Qwen3.5-397B-A17B 加 23.4。

验证分到 0.8 时，完整方法用 3280 次滚动，GEPA 要 9514 次，少 65.5%；墙钟 11.9 小时对 35.8 小时；终点 0.87 对 0.805。ACE 和 SkillOpt-Lite 没摸到 0.8。消融到验证 0.79：完整 2356 次，去掉链 3480 次，去掉前三名筛选 5388 次。

TerminalBench 2.1 共 89 题，通过率 71.9%。对照 AHE、Codex、Kira 的 51.7%，高 20.2 个百分点；对照 Meta-Harness、OpenCode 的 49.4%，高 22.5 个百分点。去掉链条只剩 57.3%。论文也写相对这些套件方法高 39.1%。注意这张榜是样本内，没有划出持有集。

MuSiQue 四跳检索，测试集十分位折损累计增益和十分位召回，相对手写流水线分别加 0.104 和 0.131。去掉链条后测试集两项要低 0.034 和 0.039。训练、验证、测试划分写成 300、100、300。

安装写成 Python 3.10 以上，进仓后可编辑安装，可视化器还要再装一套前端依赖。示例脚本只给结构，路径和外部仓要自己换。提案器走外部命令行智能体。论文承认小批诊断会过拟合，诊断上下文是手写的第一刀，TerminalBench 指标不是持有集。本轮没有把作者花名册写进正文。数字以 09-25 那一版论文和本轮仓库页为准。