新研究提出RIAG多智能体策略解决动态任务路由问题
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，非原文转载把静态基准改成动态任务
这项研究关注的是动态任务路由：事件流会不断改写任务绑定，系统在回答每个查询之前，必须先判断该时刻哪一版文档是有效的。作者没有另建数据集，而是把 MMLU、MMLU-Pro、MedMCQA、MATH、GPQA 与 HumanEval 这六个常用基准改造成动态片段，共形成三万一千余个动态片段，其中按时间归类的查询超过三十七万条。这样一来，评测对象就不再是固定题目，而变成智能体能否把相关更新传递下去、能否保住未受影响的既有工作、能否重建历史上某一时刻的任务绑定。
重算与复用之间的取舍
这种设定暴露出一个核心矛盾：每当事件到来就从头重算，会浪费大量已经完成的工作；而毫无约束地复用旧结果，又会把已经过时的结论当成有效答案返回。论文把这一矛盾作为动态推理要解决的中心问题提出，并据此设计策略，而不是单纯追求单题正确率。
RIAG 的分层与调用上限
作者提出的方案叫 Revision-Aware Independent Agent Graph，即修订感知的独立智能体图，它是一种有边界的多智能体策略，把确定性的时间解析与任务推理拆开处理。具体做法上，RIAG 按不可变的文档身份缓存解答；每个新任务先给两次不对外暴露的尝试机会；再视情况触发审计与修复，并且对每一版文档最多只发起四次调用。这样既限制了开销，也保留了在必要时纠正错误结论的通道。
同构与异构两种配置
论文给出了同构与异构两种 RIAG 配置的实测表现。同构版本在这批动态片段上取得五成多的联合路由与作答准确率，平均每个查询约零点六二次调用；作为对比，表现最强的对照方法准确率约三成，而每个查询的调用次数高达十八次。异构版本的成绩略低，约为四成九，调用量则与同构版本接近，维持在零点六三次左右。这说明把时间解析与推理分离、并对调用次数设上限，可以在大幅压低调用量的同时提升联合准确率。
为什么值得看
以极低调用率实现动态推理准确率大幅提升，为事件流驱动的多智能体系统提供高效缓存与修复新范式。
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。