@omarsar0: 多智能体系统的难点在于让智能体保持沉默。将五个智能体放在一个任务上,它们会重复工作…
摘要
Offloop 推出了 D1,一个用于多智能体系统的调度模型,可减少冗余工作和令牌使用量,以更低的成本在 GDPval 上实现了最先进的性能。
查看缓存全文
缓存时间: 2026/07/24 21:14
多智能体系统的难点在于让智能体保持安静。
五个智能体处理一个任务时,它们会重复工作,并通过互相交谈消耗 Token。
Offloop 训练了一个名为 D1 的调度模型,用于决定下一步由哪个智能体行动,以及何时正确的选择是什么都不做。他们在 GDPval 上以远低于常规成本的价格实现了当前最佳性能。
你可以自带自己的 AI 订阅。http://offloop.org
Offloop(@Offloop): 介绍 Offloop!
我们是一个四人团队。如今,我们的多智能体编排系统在 GDPval 上达到了行业领先水平,超越了 Claude code 和 Codex,覆盖了美国年收入达 2.4 万亿美元的工作岗位。
Offloop 让每一位知识工作者都能享受到 Fortune 500 公司花费数十亿美元才能拥有的东西:一种
相似文章
@omarsar0: 随着我们针对长期任务中更复杂的编码代理使用(例如,动态工作流和 /goals),你会开始...
讨论了编码代理在复杂长期任务中的挑战,指出了奇怪的用户体验问题和低效的代理交互,并主张对代理框架拥有更多控制权。
@alex_prompter:多智能体 AI 系统会在四个环节出问题。路由误触发,并行永不发生,交接丢失上下文,以及覆盖…
多智能体AI系统通常会在路由、并行、交接和覆盖方面出问题。本文推荐使用分派矩阵、并行执行、结构化交接和带日志的兜底后备方案来修复这些问题。
@UnTalNixon_exe: 多智能体系统中最常见的错误并非你所想的那样。不是选择错误的模型,也不是提示工程……
本文讨论了一篇斯坦福论文,该论文指出信息在交接过程中的丢失是多智能体系统中最常见的错误,并介绍了架构和一个标准循环,包括共享内存、消息模式、可观察性和防护机制,以提升性能。
@yoheinakajima: 更多人现在正在尝试这种通过共享状态进行通信的智能体方法(而非彼此对话)
Azalia Mirhoseini 强调 DeLM,一种去中心化语言模型方法,其中智能体通过共享状态通信,在SWE-bench Verified上使用Gemini-3 Flash实现了约10%的提升,且成本不到一半。
@phosphenq: 多智能体编码的秘密在一份15页的论文中揭晓:内聚感知任务划分将多智能体混乱...
一份15页的论文介绍了内聚感知任务划分,以改善多智能体编码的扩展性,概述了从提示到图的新元过程。