arXiv cs.AI· Pengcheng Huang, Zhenghao Liu, Shixin Ren, Shi Yu, Sijia Yao, Yukun Yan, Chaojun Xiao, Maosong Sun·· 3 天前AI 评分31
面向边缘智能体：LLM 智能体执行中边缘-云协作的系统性分析
Empowering Edge Agents: A Systematic Analysis of Edge-Cloud Collaboration in LLM Agent Execution
AI 导读
研究者提出 EC2-Bench，一个面向长程 LLM 智能体执行的边缘-云协作基准，包含可执行的数字工作空间任务，并统一评估任务性能、资源占用与隐私暴露。实验发现，协作执行在性能、资源与隐私间取得较好平衡；边缘模型越强，协作表现越接近纯云端，且策略间性能差距缩小，但隐私暴露仍高度依赖策略。边缘能力增强后，首选协作方式从云端外部控制转向边缘主导。
正文 · AI 翻译
摘要：边缘-云协作将边缘侧执行较低的推理开销和更强的数据本地性与云端托管模型更强大的能力相结合。然而，随着 LLM 智能体越来越多地在长时程场景中运行，云的参与在整個执行过程中交错出现，而不是针对每个查询的一次性决策。这种交错参与引入了轨迹层面的影响，而这些影响仍未得到充分理解。为弥补这一空白，我们提出了 EC2-Bench，一个用于评估长时程智能体执行中边缘-云协作的基准。它提供可执行的数字工作区智能体任务，以及一个涵盖任务性能、资源使用和隐私暴露的统一评估框架。利用该基准，我们实证研究了多种形式的边缘-云协作。我们的研究揭示了三个发现。第一，与仅边缘和仅云执行相比，协作在任务性能、资源使用和隐私暴露之间实现了良好的平衡。第二，随着边缘模型变得更强，协作执行接近仅云性能，不同策略之间的性能差异缩小，而隐私暴露仍然强烈依赖于策略。第三，更强的边缘能力将首选协作从外部控制的云参与和直接云执行转向更多由边缘控制的协作。进一步的分析将云调用决策和指令遵循确定为有效协作的重要边缘侧能力。这些发现为长时程智能体执行中的边缘-云协作提供了系统性理解，并为设计未来能与云模型有效协作的边缘智能体提供了洞见。代码和资源可在 此 https URL 获取。
| 评论： | 23 页，5 张图，12 张表 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.17816 [cs.AI] |
| （或 arXiv:2610.17816v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17816 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Pengcheng Huang [查看电子邮件]
[v1]
2026 年 10 月 13 日星期二 06:40:22 UTC（936 KB）
来源：arXiv cs.AI · arxiv.org