PACE-Bench：在动态环境中通过代码演化评测物理适应能力

自演化智能体能够从交互经验中改进未来行为，但现有评估通常在固定执行条件下进行优化，并不测试这些条件变化后的恢复能力。为弥补这一空白，我们引入 PACE-Bench（Physics Adaptation via Code Evolution），这是一个基于模拟器的基准，涵盖六个物理领域中的 144 个源到目标适应配对。每个配对都将一个源环境与一个突变后的目标环境相连接，二者具有相同的目标和接口。一个代码驱动的设计在源环境中能够成功，但在目标环境中会失败；智能体必须在有限的尝试预算内，利用诊断性沙盒反馈，将其迭代适应为可在目标环境中工作的设计。我们比较了来自四种范式的十种自演化方法。该基准距离饱和仍很远：Reflexion + Qwen3-14B 在完整基准配对中的成功率仅为 35.9\%，而 GPT-5.5 在完整预算下解决了 Statics 子集中的 66.7\%。总体而言，这些结果表明，基于模拟器的反思比未经验证的自我修订更可靠，而记忆会将智能体锚定在早期设计上，广泛的树搜索则只是在探索而未能收敛。即使揭示确切的物理变化，也无法提高性能上限，这表明核心瓶颈在于机制重新设计，而非参数推断。数据和代码可在 https://github.com/thunlp/PACE-Bench 获取。