🕷️
SetupAI
💼較早收集於 26m

RecursiveMAS 框架提升多代理系統效率

RecursiveMAS 框架提升多代理系統效率
PostLinkedIn
💼閱讀原文： VentureBeat
#multi-agent-systems#llm-efficiencyrecursivemasuiucstanford

💡探索一個能將 Token 成本降低 75% 並將多代理推論速度提升 2.4 倍的新框架。

⚡ 30-Second TL;DR

有什麼變化

代理透過嵌入空間進行通訊，繞過緩慢的文字互動。

為什麼重要

RecursiveMAS 解決了多代理系統的主要瓶頸——延遲和高昂的 Token 成本，使複雜的代理工作流在經濟上更具可行性。

下一步行動

如果您正在構建多代理系統，請研究嵌入空間通訊模式，以優化您的延遲和 Token 成本。

誰應關注：Researchers & Academics

關鍵要點

  • •代理透過嵌入空間進行通訊，繞過緩慢的文字互動。
  • •實現了 2.4 倍的推論速度提升，並減少了 75% 的 Token 消耗。
  • •將整個多代理系統作為一個整體進行共同演化，而非孤立組件。
  • •在程式碼生成和醫學推理等複雜領域展現了更高的準確性。

🧠 深度解析

Web-grounded analysis with 13 cited sources.

🔑 增強重點摘要

  • •RecursiveMAS 的核心創新在於其「RecursiveLink」模組，這是一個輕量級的兩層殘差投影，用於促進代理之間潛在狀態的傳輸，包含用於內部代理推理的「內部連結」和用於跨代理通訊的「外部連結」。
  • •該框架採用「內外循環學習演算法」進行迭代的整體系統共同優化，透過跨遞歸輪次的共享梯度歸因來實現，確保遞歸訓練期間的梯度穩定性。
  • •RecursiveMAS 支援異構代理，這意味著它可以在同一系統中連接不同類型和大小的模型（例如 Llama 和 Qwen），從而實現更靈活的系統設計。
  • •該框架已在四種代表性代理協作模式（順序式、混合式、審議式、蒸餾式）和九個基準測試（涵蓋數學、科學、醫學、搜尋和程式碼生成）中進行了實證評估，平均準確度提高了 8.3%。
  • •RecursiveMAS 的效率提升（速度加快和 Token 減少）隨著遞歸深度的增加而更加顯著，這表明其在處理更複雜任務時的潛力。
📊 競品分析▸ Show
特徵/指標RecursiveMASLatentMASCoMAS
核心機制透過輕量級 RecursiveLink 模組在嵌入空間中進行遞歸式潛在狀態通訊和共同演化。透過共享潛在工作記憶（Key-Value 快取）在連續潛在空間中進行無訓練協作。基於強化學習的框架，透過代理間的互動獎勵（例如提案、評估、評分）實現 LLM 代理的自我演化。
推論速度提升1.2 倍至 2.4 倍。高達 4.3 倍。未明確提及推論速度提升，重點在於學習效率。
Token 使用量減少34.6% 至 75.6%。83.7%。未明確提及 Token 使用量減少，重點在於互動獎勵。
平均準確度提升8.3%。14.6%。在數學、程式碼、科學和一般推理基準測試中顯示出穩定的性能改進。
訓練方法內外循環學習演算法，進行迭代的整體系統共同優化，並透過梯度歸因。無需額外訓練。透過代理間互動的內在獎勵進行自我演化，無需外部獎勵或人類監督。

🛠️ 技術深入

  • RecursiveLink 模組： RecursiveMAS 的核心組件，這是一個輕量級的兩層殘差投影模組。它包含一個「內部 RecursiveLink」，用於代理內部在自回歸生成過程中整合其持續的潛在思維；以及一個「外部 RecursiveLink」，用於橋接異構代理之間隱藏的表示，實現無縫的跨代理互動。
  • 潛在空間通訊： 代理在中間步驟生成「潛在思維」（隱藏嵌入序列），這些思維在協作過程中從不被解碼為文本。只有在最後一個遞歸輪次中，最終代理才會將其隱藏狀態解碼為文本輸出。
  • 內外循環學習演算法：
    • 內部循環： 每個代理並行訓練，以預熱其連續推理能力，並使其內部 RecursiveLink 與潛在思維生成更好地對齊。
    • 外部循環： 透過梯度將跨代理連接進行訓練，這些梯度在所有遞歸輪次的完整計算軌跡中遞歸反向傳播，將所有互動代理作為一個統一實體進行優化。
  • 理論分析： 執行時間複雜度分析表明 RecursiveMAS 比標準的基於文本的多代理系統更高效，學習動態分析證實了在遞歸訓練期間梯度保持穩定。
  • 異構代理支援： 該框架能夠連接和利用不同模型家族（例如 Qwen 和 Llama）和大小的代理，以發揮其獨特優勢。
  • 協作模式： RecursiveMAS 已在四種代表性代理協作模式下進行實例化和評估，包括順序式（規劃者、評論者、解決者）、混合式（領域專業代理）、審議式（工具呼叫代理）和蒸餾式（專家-學習者互動）風格。

🔮 前景展望AI analysis grounded in cited sources

降低多代理系統的營運成本。
顯著減少 Token 使用量將直接降低基於 LLM 的多代理系統的 API 成本和計算資源消耗。
促進更複雜、即時的多代理應用發展。
推論速度的提升和延遲的降低，使得多代理系統能夠處理需要快速協調和響應的複雜任務，例如自動駕駛或即時決策系統。
加速多代理系統的端到端優化與部署。
透過共同演化整個系統並維持穩定的梯度傳播，RecursiveMAS 簡化了多代理系統的訓練和微調過程，使其更易於規模化部署。

⏳ 時間線

2026-04
RecursiveMAS 研究論文提交至 arXiv。
2026-04
RecursiveMAS 相關資訊開始在 Hugging Face 和 YouTube 上發布。
2026-05
VentureBeat 報導 RecursiveMAS 框架。
💼閱讀原文： VentureBeat
📰

AI 週報

閱讀本週精選 AI 大事摘要 →

👉相關動態

同主題

探索 #multi-agent-systems

同產品

更多關於 recursivemas

同來源

最新來自 VentureBeat

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： VentureBeat ↗