您好！您只提供了文章标题： **Beyond Perfect Teammates: Multi-Agent Collaboration with Unreliable Colleagues** 但没有提供需要翻译的正文内容。请将完整的 markdown 文章粘贴过来，我会为您翻译成简体中文。

Hugging Face Daily Papers 论文
multi-agent llm benchmark collaboration robustness reliability

摘要

您提供的内容已经是简体中文摘要，并非需要翻译的英文原文。请提供需要翻译的英文 Markdown 文章原文，我将按照要求将其翻译为自然流畅的简体中文，保留标题、列表、强调、行内代码和链接等格式，并将专有名词（如 UnCoBench、LLM 等）保持英文不变。

基于大语言模型（LLM）的多智能体协作正被越来越多地用于解决复杂任务，通过将工作分配给专门化的智能体并整合互补的专业知识来完成工作。然而，现有的系统和评估大多基于一个隐含的"完美同事"假设：协作者能够提供正确且完整的信息，并及时响应请求。然而在真实的团队协作中，协作者返回的信息可能并未回答预期问题、提供的细节不足以支持决策，或者未能响应请求。为了将任务求解能力与从不可靠的证据收集过程中恢复的能力区分开来，我们提出了**不可靠同事基准（UnCoBench）**，通过**不一致（Misaligned）、不完整（Incomplete）和遗漏（Missed）**三种设定来组织行为失败的类型。主智能体需要验证上下文的正确性、诊断信息缺口并跟踪未解决的依赖关系，从而获得解决任务所需的正确证据。我们还提出了一种可验证且可扩展的自动化生成流程，将基于 LLM 的场景生成与答案唯一性和角色必要性的可执行检查相结合。在十个模型上的结果表明，相近的可靠设定性能可能对应截然不同的证据不可靠场景下的鲁棒性。轨迹分析揭示了纠正性后续动作的频繁缺失，以及恢复行为中存在的低效等待和冗余查询。这些发现表明，鲁棒的协作不仅需要扎实的推理能力，还需要有针对性的行动来诊断证据失败、恢复相关信息并将其整合到决策中。我们的数据和源代码已发布于 https://github.com/iNLP-Lab/UnCoBench。
查看原文
查看缓存全文

缓存时间: 2026/10/15 02:56

论文页面 - 超越完美队友：与不可靠同事的多智能体协作

来源：https://huggingface.co/papers/2610.16117

摘要

基于 LLM 的多智能体协作正日益被用于通过将工作分配给专业化智能体并整合互补专长来解决复杂任务。然而，现有的系统和评估大多基于一个隐含的“完美同事“假设：协作者提供正确且完整的信息，并及时响应请求。然而在现实的团队协作中，协作者可能返回的信息无法回答预期的问题、提供不足以支撑决策的细节，或者未能响应请求。为了将任务求解能力与从不可靠的证据收集过程中恢复的能力区分开来，我们提出了不可靠同事基准（UnCoBench），通过错配（Misaligned）、不完整（Incomplete）和遗漏（Missed）三种设置来组织行为失败模式。主智能体需要验证上下文的正确性、诊断信息缺口并追踪未解决的依赖关系，从而获取正确的证据来完成任务。我们还提出了一个可验证且可扩展的自动化生成流程，将基于 LLM 的场景生成与答案唯一性和角色必要性的可执行检查相结合。在十个模型上的结果表明，可靠环境下的相似性能可能对应不同的鲁棒性表现。轨迹分析揭示了纠正性跟进的频繁缺失，以及恢复行为中存在的低效等待和冗余查询。这些发现表明，鲁棒的协作不仅需要健全的推理，还需要有针对性的操作来诊断证据失败、恢复相关信息并将其整合到决策中。我们的数据和源代码可在 https://github.com/iNLP-Lab/UnCoBench 获取。

查看 arXiv 页面 (https://arxiv.org/abs/2610.16117)　查看 PDF (https://arxiv.org/pdf/2610.16117)　GitHub2 (https://github.com/iNLP-Lab/UnCoBench)　添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2610.16117)

在你的 agent 中获取此论文：

hf papers read 2610.16117

没有最新版 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型：0

暂无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2610.16117 即可将其链接到此页面。

引用此论文的数据集：0

暂无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2610.16117 即可将其链接到此页面。

引用此论文的 Spaces：0

暂无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2610.16117 即可将其链接到此页面。

包含此论文的合集：0

暂无合集包含此论文

将此论文添加到合集 (https://huggingface.co/new-collection) 即可将其链接到此页面。

相似文章

AgentCollabBench：诊断优秀智能体为何成为糟糕的协作者

arXiv cs.CL

本文介绍了 AgentCollabBench，这是一个针对多智能体系统的诊断性基准，用于评估四大主流大语言模型（LLM）中的指令衰减和上下文泄漏等行为风险。文章认为，通信拓扑结构是多智能体可靠性的关键因素，其重要性往往超越了模型的原始能力。

利用可验证信息奖励训练大语言模型进行多智能体协作

Hugging Face Daily Papers

这篇名为CoSIR的预印本提出通过可验证信息奖励（基于贝叶斯惊异度降低）对LLM进行自博弈强化学习后训练，使模型显式学习多智能体协作能力，并在7个未见过的协作基准上取得最优表现，同时基本保持原有单任务性能。

缩小协作差距，大概吧

arXiv cs.LG

该研究探讨多智能体LLM系统中应如何通信以聚合分布式私有信息，证明在保持校准不确定性的情况下，通信概率信念比通信具体动作更能促进协作决策，并提出了一种事后对话校准干预方法。

Kolab：长周期工作流中的人类与智能体协作基准评测

arXiv cs.AI

Kolab 介绍了一个用于评测人机协作能力的新基准，包含来自40个职业的50位专业人士在115小时以上真实长时程工作流中与AI代理协作的屏幕录像及质量判断，发现前沿模型普遍高估协作质量且难以区分高质量与低质量协作。