RADAR：面向多智能体通信结构生成的冗余感知扩散

与单个智能体相比，基于大语言模型的多智能体系统在代码生成、数学推理和规划等多种任务上持续展现出强大能力。尽管性能亮眼，这些系统的有效性和鲁棒性严重依赖其通信拓扑，而拓扑通常是固定的或一步生成的。这限制了细粒度的结构探索与灵活组合，导致在简单任务上token消耗过多，而在复杂任务上能力受限。为应对这一挑战，我们提出RADAR，一个冗余感知、查询自适应且主动降低通信开销的生成式框架。受条件离散图扩散模型近期进展的启发，我们将通信拓扑设计表述为一个由图的有效尺寸引导的逐步生成过程。在六个基准上的全面实验表明，RADAR持续优于近期基线，在各种场景下实现更高准确率、更低token消耗和更强鲁棒性。代码与数据可在https://github.com/cszhangzhen/RADAR获取。