HyperAgents实验结果可视化完整指南5个脚本快速绘制进度曲线与archive演化图【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgentsHyperAgents 是一个自指自我改进的智能体系统其analysis模块提供了一套开箱即用的实验结果可视化工具一条命令就能画出训练进度曲线、多方法对比图、显著性检验报告以及把整个 agent 演化历史渲染成家谱树的 archive 演化图。本文面向新手手把手讲清 analysis/ 目录下 5 个绘图脚本的用法、输出文件与关键参数帮助你在跑完实验后快速产出论文级图表。一分钟了解 analysis 模块HyperAgents 的运行入口是 generate_loop.py每次实验会在outputs/下生成一个带时间戳的运行目录如outputs/generate_20251217_160752_316659核心数据存放在其中的archive.jsonl记录每一代 agent 及其父代关系。analysis模块的所有脚本都围绕这份数据做绘图脚本作用典型输出analysis/plot_progress.py单实验进度曲线最佳 agent / 存档平均 / 最佳谱系progress_plot_*.pngprogress_info_*.txtanalysis/visualize_archive.py把 agent 演化树渲染成按分数着色的图archive_graph_*.pnganalysis/plot_comparison.py多实验、多方法随迭代次数的对比曲线analysis/outputs/comparison_*.pnganalysis/plot_testevals.py最终测试成绩柱状图含基线横线analysis/outputs/testeval_*_barplot.pnganalysis/analysis_utils.py共享工具bootstrap 置信区间、成对显著性检验significance_*.txt报告图HyperAgents 支持的 balrog 多游戏域中 NetHackNLE环境使用的瓦片图集来自 domains/balrog/environments/nle/。可视化脚本分析的数据正是来自这些任务环境的评测分数。 所有脚本依赖 utils/gl_utils.py 中的load_archive_data、get_saved_score、get_parent_genid等函数读取存档与分数以及 utils/domain_utils.py 判断各域支持的 splittrain/val与评分类型agent/ensemble/max。绘制进度曲线plot_progress.py 一键上手想快速回答我的实验跑得怎么样用 analysis/plot_progress.py。它会遍历archive.jsonl中的每一代画出三条曲线Best Agent截至当前迭代的最优分数累计最大值Average of Archive存档中所有有效 agent 的分数均值Lineage to Final Best Agent从初始节点沿父代链回溯到最终最佳 agent 的演化谱系。用法示例单域 / 多域聚合# 单域在 paper_review 域上画 train split 的进度图 python analysis/plot_progress.py --domains paper_review --path ./outputs/generate_20251217_160752_316659 # 多域把多个域的分数取平均后聚合绘制并额外保存 SVG python analysis/plot_progress.py --domains paper_review genesis_go2walking \ --path ./outputs/generate_xxx --svg参数小贴士--domains传一个域走单域模式传多个域自动切换为together聚合模式任一域分数缺失则记为无效--color可选blue/green/orange三套配色--check_ensemble若域支持集成评测会自动补画ensemble与max类型曲线。输出文件保存在运行目录内progress_plot_{域}_{split}_{类型}.png并附带一份progress_info_*.txt里面记录了总迭代数、每代最佳分数和最佳谱系的 genid 及补丁文件方便交叉核对。可视化 agent 演化树visualize_archive.py 实战想看agent 是怎么一代代进化出来的用 analysis/visualize_archive.py。它把每个 genid 当作节点、父子关系当作边构建有向图后用 graphviz 布局并按分数着色橙→黄→绿渐变分数最高的节点会画成菱形标记 。# 单域演化图 python analysis/visualize_archive.py --domains paper_review --path ./outputs/generate_xxx # 多域聚合 显示 valid_parent 边框红/绿 保存 SVG python analysis/visualize_archive.py --domains paper_review genesis_go2walking \ --path ./outputs/generate_xxx --together --plot_borders --svg常用参数--trunc_its N只画前 N 个节点图太大时快速减负--together多域分数取平均画在一张图上--plot_borders根据元数据里的valid_parent给节点画红/绿边框方便定位异常谱系。输出为运行目录下的archive_graph_{域}_{split}_{类型}.png300 dpi可加--svg导出矢量版。多方法横向对比plot_comparison.py 与显著性检验论文级对比图由 analysis/plot_comparison.py 生成。它的工作流是读取 plot_comparison.py 中domains_paths_data里配置的若干组实验路径如DGM、DGM-HA、DGM-HA w/o self-improve等对每条运行曲线做插值并对齐到统一网格用 analysis/analysis_utils.py 中的compute_bootstrap_ci计算中位数与 95% bootstrap 置信区间也可关闭 bootstrap 改用均值±标准差用save_significance_tests输出成对 t 检验 / Wilcoxon / Mann-Whitney 显著性报告到analysis/outputs/significance_*.txt。修改实验路径后直接运行即可python analysis/plot_comparison.py产物包括analysis/outputs/comparison_{组名}_{域}.png以及analysis/outputs/pdfs/下的 PDF/SVG 透明底版本可直接插入论文。方法配色由METHODS_TO_COLORS统一管理保证多图之间颜色一致。最终成绩柱状图plot_testevals.py 快速产出实验收尾时用 analysis/plot_testevals.py 把每个方法的最终测试分数画成柱状图并把SFT、Representative Baseline、Default Reward Function等静态基线画成黑色虚线横条作参照。支持--top_n控制每个运行取前几名 agent 的成绩同样会顺带生成testevals_significance_*.txt显著性报告。# 每个方法只取每轮最佳 1 个 agent 的成绩 python analysis/plot_testevals.py --top_n 1 数据目前直接写在该脚本的data列表里复现自己的实验时替换/追加对应分数即可各域的 y 轴上限由DOMAIN_YLIM控制。常见输出文件速查与 FAQ图在哪单实验图进度图、演化树写在--path指定的运行目录内多实验对比图统一落在analysis/outputs/某条曲线缺失通常是archive.jsonl中该代 agent 在对应域编译/运行失败分数为None会被排除在均值外显著性报告怎么读报告中p 0.05 / 0.01 / 0.001分别标注******bootstrap 模式下自动选用非参数检验Wilcoxon / Mann-Whitney均值模式下选用配对/独立 t 检验想做迁移实验的选点分析可参考 analysis/transfer_utils.py它按max_score/growth等策略为迁移实验挑选候选节点并生成对应的评测命令。跑完generate_loop.py后按进度曲线 → 演化树 → 对比图 → 柱状图的顺序使用analysis模块你就能用 4 条命令完成从单实验体检到论文级图表的完整可视化流程。更多项目背景与安装说明见 README.md。【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考