论文
编排智能：跨多尺度模型实现高效多智能体协作的置信度感知路由
Orchestrating Intelligence: Confidence-Aware Routing for Efficient Multi-Agent Collaboration across Multi-Scale Models
摘要
尽管多智能体系统（MAS）在复杂推理任务上已展现出优于单智能体方法的性能，但它们往往存在显著的计算低效。现有框架通常在所有智能体角色上统一部署大型语言模型（LLM），未考虑不同推理阶段认知需求的差异。我们通过提出OI-MAS框架来解决这一低效问题，这是一个新颖的多智能体框架，在异构的多尺度LLM池上实现自适应模型选择策略。具体而言，OI-MAS引入一种依赖状态的路由机制，在整个推理过程中动态选择智能体角色与模型规模。此外，我们引入一种置信度感知机制，依据任务复杂度选择合适的模型规模，从而减少对大规模模型的不必要依赖。实验结果表明，OI-MAS持续优于基线多智能体系统，准确率最高提升12.88%，成本最高降低79.78%。
