arXiv cs.AI· Yiqing Peng, Hehai Lin, Zixuan Wang, Dongyi Zhang, Zhengjie Zhu, Yi Han, Yangyang Zheng, Hao Wang, Qian Li, Chengwei Qin·· 3 天前AI 评分31
LLM 多智能体协调的自由度：集中式与去中心化之间
Degrees of Freedom in Multi-Agent Coordination: Between Centralized and Decentralized Regimes
AI 导读
研究提出 Degrees of Freedom（DoF）连续配置框架，量化下放给下游智能体的决策空间大小，其两端分别对应集中式与去中心化两种协调模式。在六个评估状态中的五个里，中间 DoF 配置的平均准确率高于两个端点，且不同任务领域偏好不同的 DoF 配置。域内保留经验可让两种分支的表现更接近。
正文 · AI 翻译
摘要：基于大语言模型（LLM）的多智能体系统（MAS）通常围绕两种协调机制进行组织。集中式协调提供显式控制，但可能在单一协调节点处形成瓶颈；而分散式协调提供局部自主性，但必须通过分布式决策和经验实现有效协作。这些权衡促使我们对两种机制之间的空间进行系统研究。我们引入自由度（DoF），一个连续配置框架，用于量化委托给下游智能体的决策空间大小。DoF 控制委托工作的粒度以及每个任务单元被分配到各分支的目标概率。其端点可恢复两种协调机制。在多个任务领域中，DoF 揭示了一种组织效应的层级结构。委托粒度和机制内路由产生结构化但有界限的配置重分配，而任务领域和保留经验则与集中式和分散式分支配置之间更强的差异相关。由此产生的性能格局取决于任务：不同领域偏好不同的 DoF 配置，而原子目标条件在多次运行中更为一致。领域内保留经验使两种分支配置更加接近。相同的受控扫描揭示了一种取决于任务的协调格局：一些领域表现出更高性能的配置，而另一些领域则表现出更平缓的响应，且没有单一配置在所有领域中占主导地位。在六个评估状态中的五个中，中间 DoF 配置的平均准确率高于两个端点，证明了探索它们之间协调空间的价值。总之，这些发现为研究和设计基于 LLM 的 MAS 中的中间协调机制提供了实证指导。
| 学科： | 多智能体系统（cs.MA）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.17751 [cs.MA] |
| （或 arXiv:2610.17751v1 [cs.MA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17751 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yiqing Peng [查看电子邮件]
[v1]
2026年10月13日星期二 05:32:27 UTC（1,376 KB）
来源：arXiv cs.AI · arxiv.org