StreamMA：让多智能体系统更快更准！

大家好！我们的团队刚刚发布了StreamMA。这是一种让多智能体系统既更快又更准确的新方法。核心思想简单但强大：不再等待一个智能体完成它的完整响应，而是逐步发送信息。每一个推理步骤都立即传递给下一个智能体。

为什么这样做效果这么好？ 上游智能体发送一个步骤，下游智能体立即开始工作。这使得一切变得更快。令人惊讶的是，推理质量也变得更好了。复杂的推理步骤并非全部质量相同。早期步骤通常可靠且清晰。后期步骤更可能包含错误。StreamMA让下游智能体从可靠的早期步骤开始工作。等到错误出现时，其他智能体已经构建了自己强有力的推理路径。这自然减少了错误的影响。

关键贡献： 1 流协议：我们将通信从完整响应转变为单个步骤。这同时提升了速度和性能。 2 三个封闭形式定理：我们展示了Stream在何时效果最佳、理论加速上限以及成本比率。 3 步骤级缩放定律：在相同智能体数量下，增加步骤数同时提升准确性和速度。它与传统的智能体数量缩放配合得很好。

强大的实验结果： • 性能：在8个数学、科学和代码基准测试上平均提升+7.3个百分点（Opus 4.6） • 加速：使用64个智能体和64个步骤，我们获得了26.9倍推理加速（理论上限为32.3倍，我们达到了83%）（HMMT26 GPT5.4）

想了解更多？ 论文：https://huggingface.co/papers/2606.05158… 项目页面：https://zhenyangcs.github.io/StreamMA-website… GitHub：https://github.com/EnVision-Research/StreamMA…

如果您从事多智能体系统、分布式推理或长链推理方面的工作，我们非常期待听到您的想法！这种流式思路带来了新的可能性。 #StreamMA #多智能体 #AI #推理 #LLM

论文页面 - 多智能体推理中的流式通信

来源：https://huggingface.co/papers/2606.05158

摘要

StreamMA通过流式传输中间结果，并利用可靠的早期步骤来缩短延迟并提升效果，从而在各种推理任务中实现高效的多智能体推理。

多智能体推理系统（https://huggingface.co/papers?q=Multi-agent%20reasoning%20systems）采用“生成-传输”范式，导致端到端延迟（https://huggingface.co/papers?q=end-to-end%20latency）随流水线深度线性增长。我们引入了StreamMA，一个多智能体推理系统，它在生成每个推理步骤后立即流式传输给下游智能体，对相邻智能体进行流水线化（https://huggingface.co/papers?q=pipelining），从而减少延迟。令人惊讶的是，这种流水线化（https://huggingface.co/papers?q=pipelining）也提升了效果：因为多步推理质量是非均匀的，早期步骤比后期步骤更可靠，使用这些可靠的早期步骤而不是完整链（https://huggingface.co/papers?q=chain），可以防止可能出错的后期步骤误导下游智能体。我们通过第一个针对流协议、串行协议和单协议（https://huggingface.co/papers?q=single%20protocol）的封闭形式联合分析，形式化地展示了这两种优势，推导出效果排序（https://huggingface.co/papers?q=effectiveness%20ordering）、加速上限（https://huggingface.co/papers?q=speedup%20upper%20bound）和成本比率（https://huggingface.co/papers?q=cost%20ratio）。在涵盖数学、科学和代码的八个推理基准测试（https://huggingface.co/papers?q=reasoning%20benchmarks）中，使用两个前沿LLMs（https://huggingface.co/papers?q=LLMs）（Claude Opus 4.6 和 GPT-5.4）以及三种拓扑（链Chain（https://huggingface.co/papers?q=Chain）、树Tree（https://huggingface.co/papers?q=Tree）、图Graph（https://huggingface.co/papers?q=Graph）），StreamMA在两个基线上均表现更优（平均+7.3个百分点，在HMMT 2026上最高+22.4个百分点；Claude Opus 4.6-high）。除这些贡献外，我们还发现了一个“步骤级缩放定律（https://huggingface.co/papers?q=step-level%20scaling%20law）”：增加每个智能体的步骤数持续提升效果和效率，这是一个新的缩放维度，正交于智能体数量缩放（https://huggingface.co/papers?q=agent-count%20scaling）并可与之组合使用。

查看arXiv页面（https://arxiv.org/abs/2606.05158）查看PDF（https://arxiv.org/pdf/2606.05158）项目页面（https://zhenyangcs.github.io/StreamMA-website/）GitHub25（https://github.com/EnVision-Research/StreamMA）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.05158）

引用此论文的模型0

没有模型链接此论文

在模型的README.md中引用arxiv.org/abs/2606.05158即可从本页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集的README.md中引用arxiv.org/abs/2606.05158即可从本页面链接。

引用此论文的Space0

没有Space链接此论文

在Space的README.md中引用arxiv.org/abs/2606.05158即可从本页面链接。

包含此论文的收藏集1