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 的核心机制是「运行时检查 + 修正」,并把执行过程中被验证过的修复直接沉淀为可复用的监督数据,用来训练小模型在任务中途识别错误并介入修正[1]。 现有资料(仅摘要级)能确认的要点:
资料不足之处:摘要未披露具体细节,例如修复如何被判定为「验证通过」、监督信号以何种形式(偏好对、SFT 轨迹、奖励标签等)构造、小模型的训练目标与介入触发条件。这些环节现有资料不足以回答。