跳到正文
arXiv · AI· Seyed Mahmoud Sajjadi Mohammadabadi·· 4 天前AI 评分21

解构多智能体LLM:协调、集成与测试时计算的实证分析

More Agents, More Samples, or More Thinking? Untangling Coordination, Ensembling, and Test-Time Compute in Multi-Agent LLMs

AI 导读

研究整合516种多智能体配置,发现其平均准确率比单路径基线低0.042,且在74%的对比实验中表现持平或低于基线。 多智能体架构常混淆协调与样本多样性,研究显示若智能体共享证据,通信不增加信息量,正向收益需依赖证据分割或模型间错误多样性。 研究提供审稿人清单和评估工具,有助于厘清多智能体系统在实际部署中的资源效益与局限性。

来源:arXiv · AI · arxiv.org