arXiv cs.AI· Jiaqi Liao, Yuanzhao Zhai, Huanxi Liu, Xu Zhang, Zheming Zhuang, Dawei Feng, Bo Ding, Huaimin Wang·· 9 天前AI 评分24
EMFA：面向 LLM 多智能体系统失败归因的误差传播建模
Error-Propagation Modeling for Failure Attribution in LLM-Based Multi-Agent Systems
AI 导读
研究者提出 EMFA（Error-Propagation Modeling for Failure Attribution），通过建模误差的级联传播与持续交互循环，结合传播感知候选筛选和反事实验证，定位导致执行失败的决定性"智能体-步骤"对。
正文 · AI 翻译
摘要：基于 LLM 的多智能体系统（MAS）正越来越多地被用于通过协同推理、工具使用以及与外部资源的交互来解决复杂任务。然而，此类系统中的失败归因仍然具有挑战性，因为观察到的结果往往不能直接揭示导致执行失败的错误。在本工作中，归因目标是决定性错误，定义为智能体—步骤对，其修正能够恢复失败执行。现有方法大多识别可疑步骤，而没有显式建模错误如何在交互中传播或在未解决的循环中持续存在，使得决定性错误难以与下游失败症状区分开来。我们提出 \textbf{E}rror-Propagation \textbf{M}odeling for \textbf{F}ailure \textbf{A}ttribution（\textbf{EMFA}）。EMFA 构建失败轨迹的结构化表示，对级联传播和持续交互循环进行建模，并使用传播感知的候选筛选，随后进行反事实验证，以识别决定性的智能体—步骤对。在 Who\&When 基准上，EMFA 取得了最先进的步骤级归因准确率，并在智能体级别保持竞争力。它在 Hand-Crafted 和 Algorithm-Generated 子集上分别将此前最佳的步骤级结果提高了 3.45 和 4.40 个百分点。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.11600 [cs.AI] |
| （或 arXiv:2610.11600v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11600 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Jiaqi Liao [查看电子邮件]
[v1]
2026年10月8日星期四 09:44:59 UTC（6,181 KB）
来源：arXiv cs.AI · arxiv.org