论文页面 - 基于共享上下文的去中心化多智能体系统

来源：https://huggingface.co/papers/2606.10662

摘要

去中心化语言模型（DeLM）框架通过并行智能体实现可扩展的大语言模型推理，这些智能体通过共享的验证上下文异步协调，在性能和效率上均优于集中式方法。

多智能体系统（https://huggingface.co/papers?q=Multi-agent%20systems）可以在测试时通过将复杂问题分解为并行子任务（https://huggingface.co/papers?q=parallel%20subtasks）来扩展大语言模型的推理能力。然而，现有的MAS大多依赖集中式编排，即由一个主智能体分派工作、收集输出并合并结果。随着子任务数量的增加，这种控制器会成为通信和整合的瓶颈。我们提出去中心化语言模型（DeLM），这是一种通过并行智能体、共享验证上下文（https://huggingface.co/papers?q=shared%20verified%20context）和任务队列（https://huggingface.co/papers?q=task%20queue）来实现协调去中心化的MAS框架。智能体异步领取子任务，读取累积的进展，执行局部推理，并写回紧凑的已验证更新。共享上下文充当通用的通信基础，使智能体能够基于彼此的已验证进展进行构建，而无需通过中央控制器路由每次更新。实验表明，DeLM在软件工程（https://huggingface.co/papers?q=software-engineering）测试时扩展（https://huggingface.co/papers?q=test-time%20scaling）和长上下文推理（https://huggingface.co/papers?q=long-context%20reasoning）方面均有提升。在SWE-bench Verified（https://huggingface.co/papers?q=SWE-bench%20Verified）上，DeLM在Avg.@1、Pass@2和Pass@4上均取得最佳性能，相比最强基线提升高达10.5个百分点，同时每个任务的成本降低约50%。在LongBench-v2（https://huggingface.co/papers?q=LongBench-v2）多文档问答中，DeLM在四个前沿模型系列中取得最高平均准确率，相比最强基线提升高达5.7个百分点。代码已发布在我们的项目网站上：https://yuzhenmao.github.io/DeLM/。

查看 arXiv 页面（https://arxiv.org/abs/2606.10662）查看 PDF（https://arxiv.org/pdf/2606.10662）项目页面（https://yuzhenmao.github.io/DeLM/）GitHub1（https://github.com/yuzhenmao/DeLM）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.10662）

在你的智能体中获取此论文：

hf papers read 2606.10662

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

引用此论文的模型0

无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2606.10662 即可从此页面链接。

引用此论文的数据集0

无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.10662 即可从此页面链接。

引用此论文的 Space0

无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2606.10662 即可从此页面链接。

包含此论文的收藏0

无收藏包含此论文

将此论文添加到一个收藏（https://huggingface.co/new-collection）中即可从此页面链接。