Ag
ARIA: Runtime Inspection and Amendment for Multi-Agent Systems
ARIA 提出面向 LLM 多智能体系统的运行时检查与修正框架,将执行验证过的修复转化为可复用监督数据,训练小模型在任务执行中途识别错误并介入修正,避免事后诊断或反复重跑。构建了首个大规模失败轨迹与验证修复配对数据集(3953 对),可跨框架与宿主模型泛化。
Agent·arXiv cs.AI·4 天前
先用站内已采集内容作答;站内不足时联网检索,每条结论都给出来源链接
1 条 · 点击可看原文全文与中文译文
ARIA 提出面向 LLM 多智能体系统的运行时检查与修正框架,将执行验证过的修复转化为可复用监督数据,训练小模型在任务执行中途识别错误并介入修正,避免事后诊断或反复重跑。构建了首个大规模失败轨迹与验证修复配对数据集(3953 对),可跨框架与宿主模型泛化。
结论:ARIA 的核心思路是“运行时检查 + 修正”,把执行过程中被验证有效的修复动作记录下来,作为监督数据去训练小模型,让它在任务执行中途就能识别错误并介入修正,而不是事后诊断或反复重跑[1]。 资料能确认的要点:
资料未覆盖的部分:摘要中没有给出“修复如何被判定为验证通过”的具体判定机制、监督信号的具体形式(如偏好对、SFT 目标还是奖励模型)、小模型的规模与训练细节,以及跨框架泛化的实验设置。这些细节现有资料不足以回答。