многоагентные системы

В исследовании, опубликованном в Nature Machine Intelligence, рассматривается влияние многоагентного взаимодействия на эффективность больших языковых моделей (LLM). Авторы провели контролируемое исследование, протестировав 260 различных конфигураций агентов, чтобы определить границы полезности совместной работы ИИ. Результаты показывают, что по мере роста способностей отдельных моделей, традиционная стратегия коллаборации может начать снижать общую производительность вместо её повышения. В рамках работы была представлена новая прогностическая модель, которая способна с точностью 87% предсказывать оптимальную архитектуру взаимодействия для новых конфигураций в рамках того же домена. Данное исследование имеет важное значение для разработки сложных систем ИИ, позволяя оптимизировать архитектуру агентов и избегать избыточных вычислительных затрат при использовании мультиагентных систем.

Исследование посвящено анализу многоагентных систем на базе больших языковых моделей (LLM) в контексте цифрового здравоохранения. Авторы предлагают фреймворк HAMAgent, который использует обратную связь от человека (human-in-the-loop) для улучшения распознавания эмоций и понимания поведения человека.