用于动态推理的修订感知独立Agent图

传统的推理协议提供固定的预选任务，因此它们无法测试Agent是否传播相关更新、保留不受影响的工作或重建历史任务绑定。因此，我们研究了 dynamic task routing，其中事件流修改任务绑定，并且系统必须在解决问题之前选择在每个查询时间有效的文档版本。为了研究这个问题，我们将六个广泛使用的基准：MMLU、MMLU-Pro、MedMCQA、MATH、GPQA 和 HumanEval 重新调整为 31{,}119 个动态片段，其中包含 373{,}428 个时间分类查询。这种设置暴露了一个核心权衡：在每个事件之后重新计算会浪费工作量，而不受保护的重用会返回陈旧的结论。我们引入了修订感知独立Agent图（RIAG），这是一种有界多Agent策略，它将确定性时间分辨率与任务推理分开。 RIAG 通过不可变的文档标识来缓存解决方案，通过两次未暴露的尝试启动每个新任务，并有条件地调用审核和修复，每个文档版本最多使用四次调用。在此集合上，同质 RIAG 在 0.62 个呼叫/查询时实现了 54.24% 的联合路由和应答准确率，而最强比较方法在 18.00 个呼叫/查询时达到了 32.22%；异构 RIAG 在 0.63 次调用/查询时达到 49.78%。