llm-collaboration

本文提出了一种针对多LLM协作的9种模型选择算法的分类体系，研究表明，在数学、编程、问答和推理任务中，基于能力感知的选择策略相比随机或启发式的团队组建方式，性能提升最高可达36.1%。

本文介绍了“参与扩展”这一新范式，通过多样化利益相关者的贡献构建模块化AI系统。其中，小型模型协作在多种任务上比单体LLM性能高出最多15.4%，展现出涌现能力并改善多样性收益。

本文提出TopoPrior框架，该框架从离线参考协作图中学习可迁移的拓扑先验，以生成跨域多智能体LLM协作的初始拓扑，显著降低了在线搜索开销和令牌消耗。

介绍了能力条件化支架，一种用于大语言模型协作的框架，根据用户专业领域调整干预措施以防止专业领域漂移，并在MMLU子集上进行了试点评估。