multi-agent system
PulseAugur coverage of multi-agent system — every cluster mentioning multi-agent system across labs, papers, and developer communities, ranked by signal.
- instance of alphaXiv 90%
- instance of Litmaps 90%
- developed alphaXiv 90%
- instance of Gotit.pub 70%
- instance of ScienceCast 70%
- instance of CatalyzeX 70%
- instance of CatalyzeX Code Finder for Papers 70%
- instance of Influence Flower 70%
- instance of CORE Recommender 70%
- instance of Connected Papers 70%
- developed ScienceCast 70%
- used by Litmaps 60%
10 天有情绪数据
-
拥有更好工具的单一 AI 智能体通常优于多智能体系统
最近的一项分析表明，许多多智能体 AI 系统过于复杂，可以将其设计为拥有改进工具的单一智能体以提高效率。将多智能体系统与拥有同等计算资源的单一智能体进行比较的研究通常显示，多智能体方法表现不佳且成本更高。文章认为，管理多个智能体的复杂性，包括重复的上下文和交接过程中的信息丢失，在大多数情况下会超过其带来的好处。它提出了一个测试：如果无法独立评估单个智能体，那么它可能就不需要成为一个独立的智能体。
-
大型语言模型（LLMs）的数值信息改变了多智能体系统中的策略行为
一项新的研究论文探讨了数值信息如何影响由大型语言模型（LLMs）组成的多智能体系统（MAS）中的策略行为。研究发现，结构化信息，包括数值信号，可以改变博弈结果和智能体的收益，但这种改变在不同的大型语言模型和博弈类型之间并非呈现可预测的模式。虽然大型语言模型生成的数值信息显示出偏离随机性的迹象，尤其是在被指示进行交流时，但它们对人类来说存在可解释性挑战。该研究建议优先考虑信息层面的指纹识别，以监控人工智能智能体协调而非行为决策。
-
OpenAI 研究员详解多智能体系统，强调模型实力
OpenAI 研究员 Noam Brown 讨论了多智能体系统的发展和影响，并将其与测试时计算的扩展进行了类比。他解释说，虽然大型语言模型从增加推理时间中获益匪浅，但多智能体系统通过并行化提供了一种实现这一点的方法。Brown 强调，最近在解决千禧年大奖难题方面取得的成功，主要归功于底层模型本身的实力，而多智能体系统贡献了一小部分，尽管是新颖的。他还详细介绍了 OpenAI 在多智能体系统方面的做法，该做法强调最少的脚手架，并允许智能…
-
新框架通过分区最优传输解决多智能体分布匹配问题
研究人员开发了一种使用分区最优传输的多智能体分布匹配新框架。该方法通过将智能体和目标样本划分为更小的块来解决局部传输问题，从而解决了传统全局离散传输的计算成本问题。该方法与Wasserstein目标保持着严格的联系，并为传输代理提供了周期到周期的下降保证，从而实现了智能体控制的可扩展解决方案。
-
多智能体系统中的潜在通信带来了新的安全风险
一篇新的研究论文探讨了多智能体系统中潜在通信的安全影响。研究表明，即使是这些通信链路的标准训练也可能无意中增加智能体之间的有害合规性，攻击者可以加剧这个问题。研究人员开发了一种强化学习攻击，通过优化这些链路显著提高了有害合规性得分，证明通信机制本身可能成为关键漏洞。该论文还提出，修复这些链路可以在不重新训练核心智能体的情况下恢复安全性和效用，这表明需要考虑整个系统以实现强大的安全对齐。
-
PANDA架构提升多智能体系统可扩展性和容错能力 · 跟踪2个来源
研究人员推出了一种新颖的去中心化架构PANDA，旨在增强由大型语言模型驱动的大规模多智能体系统（MAS）的可扩展性和容错能力。PANDA通过使智能体能够发现能力、自我组织成专业团队以及高效管理通信，解决了现有MAS的局限性。该架构支持灵活的编排策略和动态重新规划以从故障中恢复，确保任务完成。在HotPotQA基准上的评估表明，PANDA可扩展到数千个智能体，实现高效率，并在故障条件下保持性能。
-
Statistical mechanics applied to LLM multi-agent search dynamics
一篇新论文探讨了统计力学在理解大型语言模型（LLM）多智能体系统动力学中的应用。研究人员推导出了一个理论上的临界通信度，超出该度后，搜索任务预计将进入已解决状态。然而，在现实世界任务上的实证评估结果好坏参半，表明 LLM 智能体可能并不总是能有效沟通或优先考虑协作。
-
LLM代理在天文学研究中重现隐性科学知识方面存在困难
开发了一个新的框架来评估LLM代理从已发表的研究中重现隐性科学知识的能力。该框架应用于十四项天文学研究，其中相当一部分研究显示出歧义，阻碍了独特的重现路径。研究强调，匹配已发表的结果并不一定能验证底层推理的重现，而主要的瓶颈通常是连接相关信息失败，而不是检索信息失败。
-
新研究应对多智能体AI安全与挑战 · 追踪7个来源
多篇研究论文正在探索多智能体系统（特别是由大型语言模型LLM驱动的系统）的高级安全和安保机制。这些研究解决了诸如防止组合智能体能力被禁止使用、确保持续更新其参数的自我演化智能体的安全，以及开发针对恶意指令或误导性信息的运行时防御等挑战。FlowReview、SAVER、HARDE、CoSec、SEAD和ORBIT等框架正在被引入，用于对智能体安全进行基准测试和增强，重点关注授权配对评估、纵向安全评估、风险感知工具优化、社区安全评估以及…
-
新框架 ReDIL-GNN 解决电路 GNN 中的域偏移问题
研究人员推出 ReDIL-GNN，一个新颖的框架，旨在解决由逻辑再合成引起的电路图神经网络 (GNN) 中的域偏移问题。该框架使 GNN 能够在保留先前遇到域的性能的同时，适应新的综合风格。为了指导适应，ReDIL-GNN 引入了再合成适应性指数 (RAI)，这是一个评估适应需求、可恢复性、结构覆盖率和更新兼容性的分数。
-
研究：多智能体系统分解影响产量和完整性
一篇题为“分解换取完整性，而非产量”的新研究论文探讨了多智能体系统的效率。该研究将任务分解建模为树状结构，分析了智能体保留信息概率对整体产量的影响。研究结果表明，虽然更深层的智能体树可以减少暴露于大上下文，但扁平的架构通常最有利于最大化产量。研究还量化了对齐的成本以及分层智能体系统与扁平系统相比的效率提升，表明当前的委托实践可能未能充分利用这些系统的潜力。
-
新的EMR系统从医疗案例中学习，以改进AI诊断推理
研究人员开发了EMR，一种新颖的自演化医疗多智能体系统，旨在通过整合持久性记忆来改进临床推理。该系统将积累的知识组织成原则、模式和案例，使其能够从过去的诊断成功和失败中学习。EMR模拟多学科会诊，由一个规划器智能体协调专业部门智能体，并由一个总结智能体综合其发现。该系统从推理过程中自动提取见解和警告以更新其知识库，从而在医疗推理基准测试中持续优于现有最先进的方法。
-
LLM多智能体系统增强人类出行预测
研究人员开发了一种新颖的多智能体系统，利用大型语言模型（LLMs）来改进人类出行预测。该框架将预测任务分解为三个智能体：一个用于提取出行模式，一个用于整合空间推理和约束，第三个用于综合决策。在纽约市数据集上的实验表明，与基线方法相比，Hit@1的提升高达493%，Hit@5的相对提升为37%。
-
日本AI法律风险与多智能体系统设计指南
本集群涵盖两个不同的AI相关主题：日本企业采用AI所面临的法律和合规挑战，以及多智能体系统设计与实施指南。第一部分详细介绍了风险、欧盟和美国的监管环境以及内部控制责任，并引用了普华永道（PwC）和欧盟AI法案。第二部分侧重于AI开发者的实际操作，包括构建可扩展多智能体系统的模式、案例研究和工具比较。
-
AgentGrad框架增强LLM多智能体提示优化
研究人员开发了AgentGrad，一个旨在优化由大型语言模型（LLM）驱动的多智能体系统（MAS）提示的新框架。该系统通过引入顺序干预来精确定位需要修改哪个智能体的提示，以及语义文本梯度抽象来对相似的纠正模式进行分组，从而解决了现有文本梯度方法的局限性。该方法旨在提高提示的泛化能力并缩短优化时间，在五个MAS基准测试中展现了最先进的性能，平均速度提升了2.5倍。
-
新方法使用前景理论扩展LLM多智能体系统
研究人员引入了用于多智能体系统的前景状态传播（PspMAS），这是一种旨在增强基于LLM的多智能体系统可扩展性的新颖方法。该方法通过将智能体的状态解耦为紧凑的前景状态和富有表现力的语义状态来解决令牌消耗的挑战。前景状态受前景理论的启发，通过轻量级传播器维持智能体异质性，而语义状态则利用LLM进行感知、推理和决策，从而创建了一个互补且可扩展的模拟解决方案。
-
新的DCFA框架改进了LLM多智能体系统的失败推理
研究人员开发了DCFA，一个旨在改进基于大型语言模型（LLM）的多智能体系统中的失败归因的新框架。这种无需训练的方法通过构建因果启发式依赖图并应用局部反事实推理来解决浅层归因和上下文退化等挑战。在Who&When基准上的实验表明，与现有方法相比，DCFA将步级准确率提高了高达8.27%。
-
多智能体系统面临重复微服务运营错误的风险
文章将多智能体系统与微服务进行了类比，认为前者正在重蹈后者的运营覆辙。虽然微服务的问题通常表现为系统崩溃或警报，但多智能体系统内部的问题可能导致更复杂且难以诊断的故障。作者暗示，目前多智能体系统的开发和部署实践正在模仿微服务早期易出错的阶段，这表明需要更好的管理和监督。
-
综述详述LLM医学推理技术及未来挑战
近期发表在arXiv上的一篇系统性综述，探讨了大语言模型（LLMs）在医学推理方面的进展与挑战。该论文将增强LLM推理的技术分为训练时策略（如监督微调和强化学习）和测试时机制（如提示工程和多智能体系统）。文章分析了这些方法在各种数据模态和临床应用（包括诊断和治疗计划）中的应用，同时强调了超越简单准确性的改进评估基准的必要性。
-
新的FLIWBO方法通过自适应输入变换增强贝叶斯优化
研究人员开发了有限库输入变换贝叶斯优化（FLIWBO）方法，这是一种旨在提高高斯过程贝叶斯优化（GP-BO）在黑箱函数效率的新颖方法。传统的GP-BO方法在输入几何形状与核的假设不匹配时（例如对数缩放的超参数）常常遇到困难。FLIWBO通过从有限库中选择最优输入变换来解决这个问题，使其能够适应输入空间并加速学习，同时保持收敛保证。在包括超参数优化和多智能体系统设计在内的各种基准测试中的实验表明，FLIWBO在具有错误指定几何形状的场景…