LLM-Based Multi-Agent Systems
PulseAugur coverage of LLM-Based Multi-Agent Systems — every cluster mentioning LLM-Based Multi-Agent Systems across labs, papers, and developer communities, ranked by signal.
-
新流程诊断LLM招聘代理的公平性
研究人员开发了SCOPED-Hiring，一个旨在诊断基于LLM的多智能体招聘系统中公平性问题的创新流程。这种过程感知的方法分析了超过311,000个决策轨迹，以识别隐藏的不公平性，例如可能被平衡的最终招聘率所掩盖的与职业空缺或身份线索相关的偏见。该系统采用六种诊断视角来量化公平性信号，而由这些诊断指导的针对性修复措施已显示出整体负担的显著降低，同时对招聘率的影响最小。
-
新的FGLGuard系统通过联邦图学习增强LLM多智能体安全
研究人员开发了FGLGuard，一种用于增强由大型语言模型（LLM）驱动的多智能体系统（MAS）安全性的新颖系统。该方法利用联邦图学习在智能体间通信图上训练图神经网络（GNN），从而能够在不跨组织汇集敏感数据的情况下定位和干预风险智能体。FGLGuard在Agent-SafetyBench、R-Judge和AgentDojo等基准测试中表现出色，优于集中式方法和仅本地训练的方法，同时保持了高可用性和最小的能力损失。
-
新框架增强LLM代理控制和不确定性监控 · 跟踪3个来源
研究人员正在开发新的方法来实时控制和监控大型语言模型（LLM）代理的行为。一种名为ARDena的方法，通过结构化提示使用场景驱动的控制来修改代理行为，而无需更改底层模型，并在多模态具身代理中显示出有效性。另一种方法，Multi-Head Latent Control，直接从LLM的潜在生成过程中推断控制信号，从而实现模型之间的有效路由并改进工具使用等任务的决策。此外，还提出了一个使用贝叶斯网络的框架，通过将token级别的对数概率转换…