论文页面 - 学习去中心化智能体集群中的自组织编排

来源：https://huggingface.co/papers/2610.22322

摘要

基于市场机制的后训练通过竞标联合学习去中心化智能体策略与自组织编排，从而在具身任务与研究任务中提升协调性、可扩展性和鲁棒性。

智能体集群的能力既取决于其单个成员的能力，也取决于它们的协调方式。然而，现有的多智能体系统通常在固定的编排结构中训练智能体，将个体能力的学习与集体行为的组织分离开来。我们提出了基于市场机制的后训练（market-based post-training，MPT），这是一个在去中心化智能体集群中联合学习动作策略与自组织编排的框架。智能体通过竞标（bid）表达其参与意愿，竞标决定了由谁执行动作，以及集体结果如何为各智能体分配局部训练信用。同时学习动作策略和竞标行为，使得个体能力与参与模式能够在没有中心协调智能体的情况下协同适应。我们在具身工艺制作、机器人导航和深度研究任务上评估了 MPT。结果表明，MPT 相比单体式后训练取得了性能提升，并证实智能体的参与模式确实会随着学习而演化。在相同的后训练动作策略下，学习得到的自组织编排优于其他协调策略。消融实验表明，动作和竞标均受益于学习，且学习到的竞标能提供更有效的动作训练信号。除原始训练目标外，训练后的集群能够更快地适应相关任务，并在推理时使用更大规模的群体时取得更好的性能。更大规模的群体在智能体掉线时性能损失也更小，这表明学习到的自组织编排使去中心化智能体集群具备了可复用性、可扩展性和鲁棒性。代码和已训练模型见 https://github.com/Embodied-Minds-Lab/MPT。

查看 arXiv 页面　查看 PDF　项目页面　GitHub　加入收藏

引用此论文的模型 8 个

Xkev/mc_single Image-Text-to-Text • 4B • 约 5 小时前更新 • 2

(https://huggingface.co/Xkev/mc_single)

Xkev/mc_society Image-Text-to-Text • 约 5 小时前更新

(https://huggingface.co/Xkev/mc_society)

Xkev/mc_society_sft Image-Text-to-Text • 约 5 小时前更新

(https://huggingface.co/Xkev/mc_society_sft)

Xkev/mc_single_sft Image-Text-to-Text • 4B • 约 5 小时前更新

(https://huggingface.co/Xkev/mc_single_sft)

浏览引用此论文的全部 8 个模型

引用此论文的数据集 0 个

没有数据集链接此论文。

在数据集的 README.md 中引用 arxiv.org/abs/2610.22322 即可从本页面链接到该数据集。

引用此论文的 Space 0 个

没有 Space 链接此论文。

在 Space 的 README.md 中引用 arxiv.org/abs/2610.22322 即可从本页面链接到该 Space。

包含此论文的合集 0 个

没有合集包含此论文。

将此论文添加到合集即可从本页面链接到该合集。