热点事件持续更新
小LLM多智能体团队扩展的生成-变换分解研究
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
该研究关注小 LLM 多智能体团队在扩大调用规模时的能力扩展问题，提出精确的生成-变换分解，用以对比不同智能体编排架构。2026 年 9 月 30 日发布于 arXiv cs.AI 的论文扫描了 8 种智能体编排架构与 5 个 7-9B 参数规模的指令微调模型，考察增加智能体调用次数对推理表现的影响。结果显示，团队扩展的收益高度依赖任务类型：当调用数从 3 增至 30 时，GSM8K 与 GSMHard 的准确率最多提升 17 分，而 ARC、GPQA、MMLU 最多只提升 4 分。研究未给出跨任务统一的扩展规律。
AI 根据报道生成 · 3 小时前更新
最新进展9月30日 12:00
新论文扫描 8 种编排架构与 5 个 7-9B 模型，发现小 LLM 团队扩展收益高度依赖任务。报道时间线
沿着报道，了解事件的不同侧面。
9月30日
- arXiv cs.AI小 LLM 团队扩展的精确生成-变换分解：8 种智能体编排架构对比
扫描 8 种智能体编排架构与 5 个 7-9B 指令微调模型后发现，小 LLM 团队扩展收益高度依赖任务：调用数从 3 增至 30，GSM8K、GSMHard 准确率最多涨 17 分，ARC、GPQA、MMLU 最多涨 4 分。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。