arXiv 论文提出免训练抑制式消息传递，多智能体准确率提升 39-77 个百…
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，非原文转载把抑制机制搬进通信
多智能体协作依赖消息往来，但消息越积越多时，重复出现的内容容易把稀少却关键的那条证据挤出上下文。这篇论文从皮层回路的抑制现象里借来一个思路：抑制能够压住被多方共享的输入，同时让较弱的信号仍然可被感知。作者据此设计了抑制式消息传递，把它当作一个无需训练即可使用的通信路由器。它的处理单位不是整段对话，而是逐条证据句、逐个接收方分别判断：每一轮只把智能体消息中被重新表述过的证据句转发出去，同一条证据对同一个接收方最多送达一次，并且只送给自身证据里缺少这条内容的接收方；发送方的推理过程和最终答案不进入转发范围。这样，冗余内容在传递环节就被抵消，而不是等到堆满上下文后再处理。
准确率与开销的变化
论文把这一方案与标准消息传递做了对照。在同侪组结构中，三个基准上的准确率提升幅度落在三十九到七十七个百分点之间，同时每次运行消耗的 token 数量下降，降幅区间为百分之十到四十六。这些数字来自同一组对比实验，说明转发环节的筛选既减少了重复投递，也让关键证据更容易留在各智能体可见的范围内。需要留意的是，材料给出的是区间而非单点值，不同基准、不同模型上的具体表现并不相同，论文并未在摘要中逐项列出。
适用范围与验证规模
实验覆盖七款开放模型，参数规模从四十亿到三百二十亿，另有两款商用模型；智能体组的规模最大到六十四个成员。多智能体架构方面，点对点、编排者与工作者、多层级组织三类结构都做了测试，增益在这些设置下均得以保持。作者由此把抑制式消息传递视为一种可扩展的设计模式，用于让多智能体推理更准确、更省 token。对关注多智能体系统落地的人来说，这一方法的价值在于它不需要额外训练，改动集中在消息如何被挑选和投递，因而可以叠加在已有的协作架构之上；至于它在摘要未覆盖的任务类型上表现如何，材料没有给出结论。
为什么值得看
多智能体协作中冗余消息挤占上下文是常见痛点，该方法免训练、可跨模型与架构复用，并同时给出准确率与 token 成本两组…
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。