摘要
本文提出 RUMAD 框架，将多智能体辩论中的动态通信拓扑控制建模为强化学习问题，旨在同时优化推理准确性、共识形成及计算效率。该方法采用内容无关的观测方案和多目标奖励机制，通过 PPO 训练的控制器动态调整通信图权重。实验表明，RUMAD 在多个基准测试中显著降低令牌成本（超 80%）并提升推理准确率，且展现出强大的零样本泛化能力，为资源受限下的多智能体推理应用提供了高效稳健的解决方案。
AI 推荐理由
论文核心是通过多智能体辩论机制增强 LLM 的推理能力，优化准确率与效率。
研究机构
清华大学
深圳，中国
浙江大学
杭州，中国
论文信息