论文页面 - 需要工作流，才能进化出更好的工作流

Source: https://huggingface.co/papers/2610.01026

摘要

应对复杂的现实世界任务可能超出单个大语言模型（LLM）的能力，因此促使人们采用多智能体工作流，让多个专职智能体协同完成这些任务。近期的方法训练 LLM 根据执行结果构建更好的工作流，但它们只优化工作流生成器，而构建或执行每个工作流的其他智能体则保持固定——尽管每一个执行结果都取决于所有这些智能体。然而，将训练扩展到生成器之外是困难的：智能体之间相互耦合，而一个工作流的结果只是一个稀疏的单一分数，无法判断究竟是哪个智能体导致了失败。我们提出 FloWright，它以工作流本身作为载体来优化工作流。通过引入层级化、感知结构的奖励范式，FloWright 使一个角色可以自我进化，两个或更多角色可以协同进化，且无需额外的模型、标签或执行。考虑到工作流通常在单一智能体已能处理的数据上进行训练和评估这一局限，我们进一步提出 DataWright——一种自适应的数据强化方法，可将现有数据集转换为难度递增的工作流级任务。在文档、幻灯片、图表、代码、数学和金融任务上，经 FloWright 训练的小型开放模型取得了最高 +7.41% 的性能提升，其中协同进化更多角色（+5.03%）比仅优化其中单个角色（+2.83%）带来更大的收益。我们的项目主页：https://xhguo7.github.io/FloWright/。

查看 arXiv 页面 (https://arxiv.org/abs/2610.01026)查看 PDF (https://arxiv.org/pdf/2610.01026)加入收藏 (https://huggingface.co/login?next=%2Fpapers%2F2610.01026)

引用本论文的模型 0

没有模型关联本论文

在模型的 README.md 中引用 arxiv.org/abs/2610.01026，即可将该模型与本页面关联。

引用本论文的数据集 0

没有数据集关联本论文

在数据集的 README.md 中引用 arxiv.org/abs/2610.01026，即可将该数据集与本页面关联。

引用本论文的 Space 0

没有 Space 关联本论文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.01026，即可将该 Space 与本页面关联。

包含本论文的合集 0

没有合集包含本论文

将本论文加入合集 (https://huggingface.co/new-collection) 即可将其与本页面关联。