arXiv cs.AI· Zihan Zhou, Xinzhe Hu, Hanxu Yang, Liangjian Wen, Zhao Kang·· 10 天前AI 评分30
S1-MAS：用 System One 引导计算分工实现 token 高效多智能体协作
Token-Efficient Multi-Agent Collaboration via System One-Guided Computational Division of Labor
AI 导读
研究者提出 S1-MAS 多智能体框架，将任务选择、角色分配、消息路由等有界协调决策交给轻量 System One 模型，把开放式推理留给强 LLM，从而解耦协调与推理。在七个基准上对比 AgentVerse、DyLAN 和 SelfOrg，S1-MAS 将 GPT-4o token 消耗降低 44.9%-97.2%，端到端延迟降低 37.8%-93.0%，同时准确率更优。
正文 · AI 翻译
摘要：基于大语言模型（LLM）的多智能体系统（MAS）通过支持专用智能体之间的协作式问题求解，已成为复杂信息检索与推理任务的一种有前景的范式。然而，现有的 MAS 框架将任务推理与协调操作紧密耦合，这些操作包括任务选择、角色分配、消息路由和上下文管理。随着交互的增长，使用强大的 LLM 来完成这些有界控制决策会带来大量的 token 开销和延迟，限制了智能体式 Web 服务的可扩展性。在本文中，我们研究是否可以在不损害协作性能的前提下，将协调与昂贵的推理解耦。我们提出 S1-MAS，一个基于 System One 引导的计算分工的 token 高效多智能体框架。S1-MAS 将有界的协调决策分配给轻量级 System One 模型，同时将开放式推理保留给能力强的 LLM 工作智能体。具体而言，一个轻量级控制器选择检查条件、选择后续任务并确定终止，而一个紧凑的读取器从授权来源检索与条件相关的证据以支持这些决策。通过决策-证据循环，所选任务动态确定工作智能体角色和来源访问权限，从而无需任务特定训练即可实现自适应协作。在七个多样化基准上的大量实验表明，S1-MAS 在实现更优准确率的同时大幅降低了推理成本。在七个基准上与 AgentVerse、DyLAN 和 SelfOrg 的逐项比较中，S1-MAS 将 GPT-4o 的 token 消耗降低了 44.9%-97.2%，并将实测端到端延迟降低了 37.8%-93.0%。这些结果凸显了其在可扩展且高性价比的智能体式 Web 应用方面的潜力。
| 学科： | 多智能体系统（cs.MA）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.08155 [cs.MA] |
| （或本版本使用 arXiv:2610.08155v1 [cs.MA]） | |
| https://doi.org/10.48550/arXiv.2610.08155 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhao Kang [查看邮箱]
[v1]
2026年10月6日星期二 11:11:05 UTC（326 KB）
来源：arXiv cs.AI · arxiv.org