摘要
基于大语言模型的多智能体系统(MAS)通常仅优化单一拓扑结构,导致推理轨迹狭窄,限制了综合分析能力。简单合并多个拓扑会引入冗余噪声,降低解的质量。为此,我们提出了HELENA框架,通过蒙特卡洛树搜索和行列式点过程从候选拓扑中选择互补拓扑构建并集图,以拓宽复杂问题的推理轨迹。该框架利用层次稀疏协调模块,在每一步仅激活稀疏子图,并通过交换压缩的潜在简报抑制噪声传播。最后,通过局部自 refinement 阶段,仅在对比证据同时确认可靠方案失败且挑战者改进时重写决策单元。实验表明,HELENA在八个基准测试中均达到最先进水平。
AI 推荐理由
论文旨在通过优化拓扑结构和协调机制来拓宽推理轨迹,解决单一拓扑限制推理路径的问题,核心提升LLM的复杂问题分析与推理能力。
研究机构
北京邮电大学
西安交通大学
小狼实验室
论文信息