神经启发抑制性消息传递提升多智能体推理
热点事件持续更新
神经启发抑制性消息传递提升多智能体推理
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
Nima H. Siboni等发表论文,提出一种无需训练的神经启发抑制性消息传递机制。该机制作为一种通信路由,通过为每个证据句和接收方单独取消冗余证据来优化信息流转。 该方案在7个参数量4B-32B的开源模型及2个商业模型中得到验证,支持多达64个智能体的规模。应用此机制后,多架构多智能体推理的同组准确率提升39-77个百分点,单轮Token消耗降低10-46%。
AI 根据报道生成 · 4 小时前更新
最新进展10月20日 12:00
Neuro-Inspired 抑制性消息传递提升多智能体推理准确性与 Token 效率报道时间线
沿着报道,了解事件的不同侧面。
10月20日
- arXiv · NLPNeuro-Inspired 抑制性消息传递提升多智能体推理准确性与 Token 效率
一种无需训练的 Neuro-Inspired 抑制性消息传递路由,在多智能体推理中将同组准确率提升 39-77 个百分点,单轮 Token 消耗降低 10-46%。 该路由取消冗余证据,在 7 个 4B-32B 开源模型及 2 个商业模型、最多 64 个智能体规模的多架构中验证有效。 研究支持了更准确且 Token 高效的多智能体推理可扩展设计模式。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 910月20日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:0017:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。