SquidAgent提出多智能体并行新准则，速度提升超两倍
论文AI 评分 75/100arXiv cs.AI
AI 聚合
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。
多智能体并行执行常比单智能体更慢，SquidAgent指出这源于重复探索与对齐开销。该系统提出基于预测输出token数的分层并行决策准则，通过从主控会话派生消除重复探索，用预生成共享约定将对齐转为固定前置开销。实测显示，其吞吐量与耗时较Claude Code分别提升2.2倍与2.6倍，吞吐量较最强多智能体基线提升2.0倍。已被NeurIPS 2026接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载并行开销归因与决策准则
多智能体系统理论上并行可获近线性加速，但实际常慢于单智能体。SquidAgent将此归为两类隐含开销：一是重复探索成本，即并行工作者重建主控节点已掌握的上下文所产生的冗余；二是对齐成本，即协调各独立输出间不一致所需的开销。基于此，系统推导出分层决策准则：仅当某层关键路径成本加上上述两项开销低于串行成本时，才对该层并行。由于大模型难以准确预估挂钟时间，SquidAgent改用预测输出token数衡量成本，实证表明该指标预估可靠性远超时间预估。
消除开销的系统设计
为落实基于token的准则，SquidAgent在单一规划步内估算所有token预算。针对重复探索成本，各工作者直接从主控节点的会话派生，从而继承上下文，消除冗余重建。针对对齐成本，系统用预生成的共享约定块替代事后协调，将对齐转化为有界的前置固定开销。最后，由确定性调度器逐层应用该准则决定是否并行。
实测加速效果
实验结果表明，SquidAgent相较Claude Code实现了2.2倍的平均吞吐量提升与2.6倍的平均耗时缩短。同时，相较于最强的多智能体基线方案，也取得了2.0倍的吞吐量提升。该研究已被NeurIPS 2026接收。
为什么值得看
解决多智能体并行反而变慢的痛点，提供可量化的并行决策准则与显著加速效果。
Claude智能体对齐论文
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。