arXiv cs.MA· Haoran Lu, Luyang Fang, Wenxuan Zhong, Ping Ma·· 11 小时前AI 评分38
NeuroMAS：将多智能体系统视为神经网络并用联合强化学习训练
NeuroMAS: Multi-Agent Systems as Neural Networks with Joint Reinforcement Learning
AI 导读
NeuroMAS 提出把多智能体语言系统当作类神经网络架构来训练：LLM 智能体作为节点、中间文本信号作为边，节点不预设角色但感知结构，由强化学习决定通信、专精与协作方式。实验显示其显著优于推理时与训练后的多智能体基线，并发现组织规模扩展具有路径依赖——大系统从零训练困难，但从较小已训练系统逐步生长则可行。
正文 · AI 翻译
摘要：多智能体语言系统通常被构建为手工设计的工作流，其中智能体被赋予语义角色，通信协议被预先指定。我们提出 NeuroMAS，该方法首先将多智能体语言系统视为一种可训练、可扩展的类神经网络架构，以 LLM 智能体为节点、以中间文本信号为边。在 NeuroMAS 中，智能体节点无角色但具有结构感知能力：拓扑结构只决定信息总体如何流动，而强化学习训练决定节点如何通信、专门化和协调。这一表述将多智能体设计从工作流工程转向架构设计，其中深度、宽度、连接性和生长协议成为可扩展的能力来源。此外，我们提供了一个理论视角，说明当任务允许层次化分解时，这种模块化文本计算为何更具参数效率。实验表明，NeuroMAS 显著优于推理时和多智能体训练基线。我们进一步发现，组织扩展具有路径依赖性：较大的系统难以从头训练，但从小型已训练系统逐步生长时则变得可行。这些结果表明，学习得到的神经多智能体系统是 LLM 一个有前景的扩展轴。
| 学科： | 人工智能（cs.AI）；多智能体系统（cs.MA）；方法论（stat.ME）；机器学习（stat.ML） |
| 引用为： | arXiv:2605.16757 [cs.AI] |
| （或此版本的 arXiv:2605.16757v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2605.16757 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | The First Conference on Statistics and Trustworthy AI for Cross (X)-Domain Acceleration (2026) |
提交历史
来自：Haoran Lu [查看电子邮件]
[v1]
2026年5月16日星期六 02:11:34 UTC（752 KB）
[v2]
2026年10月23日星期五 01:38:57 UTC（761 KB）
来源：arXiv cs.MA · arxiv.org