BaRe-Mem：用于鲁棒和自适应智能体咨询的贝叶斯可靠性记忆

Hugging Face Daily Papers 论文
multi-agent-systems bayesian-inference reliability-memory agent-consultation robustness

摘要

BaRe-Mem 引入了一个用于多智能体咨询的贝叶斯在线可靠性记忆，增强了对误导性顾问信息的鲁棒性，并指导在咨询和自主推理之间的选择。

在多智能体系统中，可靠的咨询具有挑战性，因为顾问能力在不同任务中有所不同，且误导性信息可能使咨询比自主推理更差。我们引入了 BaRe-Mem，一个用于多智能体咨询的在线贝叶斯可靠性记忆。它基于中心模型的内部信念表示来估计顾问的可靠性，并从历史交互中更新这些估计。这些估计调节顾问回应的影响，并指导在咨询和自主推理之间的选择。在九个基准测试和六个中心模型上，BaRe-Mem 比辩论和多数投票对误导性顾问信息更具鲁棒性。在更具挑战性的任务上，在所有测试的误导性水平下，它仍然优于自主推理。此外，我们将 BaRe-Mem 机制扩展到智能体团队中的工作者分配。在 MuSiQue 基准测试上，BaRe-Mem 通过历史成功计数比路由改善了任务完成率，并更早地识别出有能力的工作者。
查看原文
查看缓存全文

缓存时间: 2026/09/29 08:18

论文页面 - BaRe-Mem：用于鲁棒自适应智能体咨询的贝叶斯可靠性记忆

来源：https://huggingface.co/papers/2609.35551

摘要

在多智能体系统中，可靠咨询面临挑战，因为顾问的能力因任务而异，且误导性信息可能使咨询效果劣于自主推理。我们提出BaRe-Mem——一种用于多智能体咨询的在线贝叶斯可靠性记忆。它基于中心模型的内部信念表示估算顾问可靠性，并通过历史交互更新这些估算值。这些估算值调节顾问回复的权重，并指导智能体在咨询与自主推理之间进行选择。在九个基准测试和六个中心模型上的实验表明，面对误导性顾问信息时，BaRe-Mem比辩论和多数投票机制更具鲁棒性。在更复杂的任务中，即使在所有测试的误导性信息水平下，其表现仍优于自主推理。此外，我们将BaRe-Mem机制扩展到智能体团队的任务分配中。在MuSiQue基准测试上，相比基于历史成功次数的路由方法，BaRe-Mem提升了任务完成度，并能更早识别出能力更强的工作者。

查看arXiv页面（https://arxiv.org/abs/2609.35551）查看PDF（https://arxiv.org/pdf/2609.35551）项目页面（https://huggingface.co/spaces/Sssunset/BaRe-Mem）GitHub仓库（https://github.com/declare-lab/BaRe-Mem）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2609.35551）

相似文章

Σ-Mem：面向基于LLM的多智能体系统的在线可靠性记忆

Hugging Face Daily Papers

本文介绍了Σ-Mem，一种用于基于LLM的多智能体系统的在线可靠性记忆，它跟踪同伴的历史能力表现及同伴之间的关系，通过谱界实现稳定自适应，并通过残差引导、路由和加权投票来改善协调性。

信念记忆：部分可观测性下的智能体记忆

arXiv cs.AI

本文介绍了 BeliefMem，一种专为大语言模型（LLM）智能体设计的新型记忆范式。该范式通过存储带有概率的多个候选结论来处理部分可观测性问题，并减少自我强化错误。在 LoCoMo 和 ALFWorld 基准测试中的实证评估显示，该方法优于确定性基线模型。