Mixture of Agents
PulseAugur coverage of Mixture of Agents — every cluster mentioning Mixture of Agents across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究衡量 Token 计算成本，揭示优化潜力
一篇新的研究论文提出了一种混合代理（Mixture-of-Agents, MoA）方法来衡量大型语言模型生成单个 Token 的实际计算成本。研究发现，很大一部分计算成本集中在一小部分 Token 上，这表明当前模型可以进行优化。通过使用这种 MoA 导出的映射，模型路由和草稿技术可以在保持或提高准确性的同时，减少延迟和 Token 使用量。
-
测试LLM将医学文本简化为通俗语言
研究人员探索了使用大型语言模型（LLM）将复杂的医学文本简化为通俗语言，这一过程称为通俗语言改编（PLA）。该研究比较了包括GPT-4o mini、Gemini 1.5 Pro和LLaMA在内的各种LLM，评估了它们在零样本和少样本学习场景下的有效性。论文还详细介绍了混合代理（Mixture-of-Agents）技术的集成，以提高适应性和鲁棒性，并分析了不同的提示策略和QLoRA等微调方法。
-
开放权重LLM代理提高临床预测准确性
研究人员开发了一种使用开放权重大型语言模型（LLM）进行临床预测任务的角色专业化混合代理（MoA）系统。该系统结合了医学知识检索和对比相似患者推理。通过分离不同代理角色的影响，研究发现最终的整合代理对预测准确性最为关键，尤其是在院死亡率方面。
-
Agon 框架使用竞争性 AI 模型对推理进行评分
研究人员推出了一种新颖的竞争性强化学习框架 Agon，旨在提高 AI 模型的推理能力。与仅对最终答案评分的传统方法不同，Agon 将两个模型进行对抗，每个模型通过隐式方式对另一个模型的推理过程进行评分。这种竞争性设置通过面对日益强大的对手，迫使模型发展出更好的思考策略，从而带来显著的性能提升。在 DeepMath 数据集上使用 Qwen3 进行测试时，Agon 的 pass@1 率是标准 GRPO 的两倍，并且比未经训练的 Mixtu…
-
Together AI 通过开源基础设施赋能国家科学任务
开源AI实验室Together宣布参与Genesis任务，该项目旨在未来十年内将美国科学生产力翻倍。该计划连接了国家实验室和学术机构的超级计算机、实验设施和数据集。Together的平台支持全球超过一百万名开发人员，旨在提供可检查和可适应的AI基础设施，促进科学研究，避免供应商锁定。