论文
AdaSTORM：经自适应时空多智能体协作扩展动态图上的LLM推理
AdaSTORM: Scaling LLM Reasoning on Dynamic Graphs via Adaptive Spatio-Temporal Multi-Agent Collaboration
摘要
大语言模型（LLM）在动态图推理上展现显著潜力——但 suffer 扩展瓶颈：受指数级推理开销与有限上下文窗口约束——当前模型只能处理数十节点的图。虽然多智能体系统（MAS）提供集体推理与拓扑感知编排——天然适合图结构任务的能力——其在动态图上的应用仍未被探索。本文提出AdaSTORM——把大规模动态图推理重构为两阶段的框架：(i) 自适应划分——把大规模动态图划分为匹配模型推理能力、同时最小化推理成本的子区域；(ii) 协作推理——把图划分拓扑与时空解耦的多智能体架构对齐。AdaSTORM是首个为动态图推理定制的多智能体框架。大量实验表明AdaSTORM成功突破扩展瓶颈：在多个大规模动态图设定下把推理扩展到千节点图——无需外部工具即保持90%以上准确率——显著超越七个竞争基线。此外——它在既有基准上取得SOTA准确率——并对真实数据集鲁棒泛化。源代码见：https://github.com/irisorchid107/AdaSTORM/。
