跳到正文
arXiv cs.MA· Li Ma, Hao Peng, Yiming Wang, Jie Liu, Kongjing Gu, Kangli Zi, Na Han, Hui Lin·· 9 小时前AI 评分31

SEMA:面向 RTS 场景高效决策的自进化多智能体框架

Self-Evolving Multi-Agent Framework for Efficient Decision Making in Real-Time Strategy Scenarios

AI 导读

研究者提出自进化多智能体框架 SEMA,用于实时策略(RTS)场景下的高性能低延迟决策。该框架通过回合内评估与跨回合分析自适应校准模型偏差,并基于结构熵的动态观测剪枝将高维状态蒸馏为核心语义信息。在多个 StarCraft II 地图上的实验显示,SEMA 取得更高胜率的同时将平均决策延迟降低 50% 以上。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:大型语言模型(LLMs)在复杂推理中展现出非凡潜力,开创了动态环境下自主智能体决策的新范式。然而,在即时战略(RTS)场景中,LLMs 面临严重的速度与质量权衡问题。具体而言,庞大的状态空间和时间限制使推理延迟难以承受,而随机规划错误又会破坏逻辑一致性。为应对这些挑战,我们提出 SEMA(自演化多智能体),这是一个专为 RTS 环境中高性能、低延迟决策而设计的新颖框架。该协作式多智能体框架通过回合内评估和跨回合分析自适应校准模型偏差,从而实现自我演化。我们进一步引入基于结构熵的动态观测剪枝,以拓扑方式对游戏状态建模。通过将高维数据蒸馏为核心语义信息,该方法显著缩短了推理时间。我们还开发了一种混合知识-记忆机制,融合微观轨迹、宏观经验和分层领域知识,从而增强战略适应性和决策一致性。在多个《星际争霸 II》地图上的实验表明,SEMA 实现了更高的胜率,同时将平均决策延迟降低 50% 以上,验证了其在复杂 RTS 场景中的效率与鲁棒性。
评论: 17 页,6 幅图
主题: 多智能体系统(cs.MA)
引用为: arXiv:2603.23875 [cs.MA]
  (或 arXiv:2603.23875v2 [cs.MA] 用于此版本)
  https://doi.org/10.48550/arXiv.2603.23875

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Yiming Wang [查看邮箱]
[v1] 2026 年 3 月 25 日星期三 03:05:29 UTC(985 KB)
[v2] 2026 年 11 月 19 日星期四 15:27:08 UTC(987 KB)

来源:arXiv cs.MA · arxiv.org