论文页面 - DynaFlow：学习自由形式的多智能体编排

来源：https://huggingface.co/papers/2610.34467 发布于 10 月 25 日

·

由 https://huggingface.co/LQIIIII 提交

Qi Li (https://huggingface.co/LIQIIIII) 于 10 月 27 日发布

摘要

DynaFlow 通过让主智能体合成可执行工作流来协调子智能体（通过结构化执行和验证），从而实现自适应的多智能体协作。

多智能体系统 (https://huggingface.co/papers?q=Multi-agent%20systems) 通常依赖预定义的协作结构，这限制了它们适应多样化任务需求的能力。我们提出了 DynaFlow，一个将自由形式的可执行工作流合成 (https://huggingface.co/papers?q=executable%20workflow%20synthesis) 集成到主智能体动作空间中的框架。该智能体决定何时需要协作，并生成针对特定任务的程序，通过顺序或并行执行、结构化信息交换以及验证来协调子智能体 (https://huggingface.co/papers?q=sub-agents)。执行结果和轨迹为后续动作提供信息，使智能体能够在推理过程中自适应地调整协作方式。我们仅通过在蒸馏轨迹上进行监督微调 (https://huggingface.co/papers?q=supervised%20fine-tuning) 来训练主智能体，随后在经过筛选的样本上进行精炼，这些筛选涵盖了不成立的前提、有偏的验证和信息流缺陷。所有子智能体 (https://huggingface.co/papers?q=sub-agents) 均保持固定，从而将编排 (https://huggingface.co/papers?q=orchestration) 的学习与执行器能力的提升分离开来。在涵盖数学推理、科学问答和多跳检索的六个基准测试中，DynaFlow 在 Forced 模式下达到 88.08% 的总体准确率，在使用相同的 Qwen3.5-27B 主干模型的情况下，比最强的已评估基线高出 10.90 个百分点。工作流分析表明，训练后对上游输出的显式使用、验证和精炼明显增多，突显了跨阶段信息流 (https://huggingface.co/papers?q=cross-stage%20information%20flow) 作为多智能体编排 (https://huggingface.co/papers?q=orchestration) 的一个关键维度。

查看 arXiv 页面 (https://arxiv.org/abs/2610.34467)　查看 PDF (https://arxiv.org/pdf/2610.34467)　项目页面 (https://amiya-special.github.io/DynaFlow-website)　GitHub53 (https://github.com/amiya-special/Dynaflow)　添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2610.34467)

引用本文的模型 0

暂无模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2610.34467 即可从此页面关联。

引用本文的数据集 0

暂无数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2610.34467 即可从此页面关联。

引用本文的 Spaces 1

收录本文的合集 2