论文分析多智能体系统分解对产量的影响
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载分解架构的产量分析
论文将多智能体系统的任务分解建模为一棵树，其中每个处理 b 个项目的智能体以概率 r(b) 保留项目。研究发现，如果保留概率遵循 r(b)=1/b，无论任务大小和树形状如何，每棵树都恰好传递一个发现。在更一般的幂律分布 r(b)=Cb^-δ 下，深度为 k 的树结构在 N 个发现中产生的产量为 C^k N^(1-δ)。这意味着任务规模和架构的影响是分离的，架构每层仅贡献 C ≤ 1 的系数，因此扁平结构在产量上是最优的，没有任何智能体排列能逃脱指数 δ 的限制。
生产数据的实证结果
研究人员利用 600 条生产级深度研究轨迹进行了分析，通过三种互不共享失败模式的识别方法，测得 δ 的值为 0.34。在 16,082 次跳跃中，当项目边界来自工具而非文本启发式且 b=1 出现 550 次时，观测到的 C 值为 0.571。此外，层级结构还会带来对齐成本，在 1,012 条带注释的多智能体轨迹中，每 16 个简报就有一个偏离目标，导致每层惩罚系数 Cμ 降至 0.536。
深度带来的权衡与成本
尽管深度架构在产量上存在劣势，但它在其他方面具有优势。根节点上下文是唯一持久存在且难以廉价遗忘的状态，深度将其暴露从 N 项减少到 N^(1/k)。在成本方面，生产环境中的扁平智能体计费为 N^1.39，而非仅追加上下文预测的 N^2。在同等支出下，两层架构在处理 403 个发现时就能超越扁平架构。然而，基于所有测量参数的模型显示，仅有 0.7% 到 11.3% 的生产会话值得委托，而实际委托比例为 7.8%。
为什么值得看
用生产数据量化了多智能体分解的收益与损耗，挑战了“分解即高效”的直觉。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。