RSS VentureBeat
Подписаться
DeLM Стэнфорда снижает затраты на многоагентные задачи на 50% — без центрального координатора
Традиционные ИИ-фреймворки полагаются на центрального "главного" агента для оркестровки задач, что может привести к узким местам в коммуникации и снижению эффективности. Новый фреймворк Стэнфорда, DeLM, предлагает децентрализованный подход, где агенты координируются напрямую. DeLM использует общую базу знаний в качестве коммуникационной среды, позволяя агентам опираться на проверенный прогресс без центрального контроллера. Такая конструкция позволяет избежать неэффективности и потенциальных искажений информации, присущих централизованным системам. В традиционных системах главный агент разбивает задачи, назначает их, а затем объединяет ответы, создавая единую точку отказа. DeLM же распределяет задачи и позволяет агентам асинхронно брать их в работу. Фреймворк использует очередь задач и общий контекст, куда агенты записывают краткие, проверенные обновления, называемые "резюме". Эти резюме проверяются на соответствие доказательствам, и только полностью проверенные передаются дальше. Конвейер DeLM включает инициализацию, параллельное выполнение, сжатие и проверку, а также финальный этап для определения завершения. Эта децентрализованная модель позволяет агентам избегать избыточной работы, повторно использовать найденные решения и сосредоточиться на нерешенных проблемах. DeLM продемонстрировал превосходную производительность и снижение затрат на таких бенчмарках, как SWE-bench и LongBench-v2. Он повышает точность, позволяя агентам делиться информацией о неудачах и использовать проверенные ограничения, а также эффективно управлять контекстом с помощью механизма "развертывания". В конечном итоге, DeLM ставит под сомнение необходимость центрального контроллера в многоагентных системах, предлагая более быстрый, точный и экономически эффективный альтернативный вариант.
