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·5 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。
现有资料不足以回答「ARIA 的运行时介入机制与事后诊断式方法在开销上差多少」这一量化问题——资料中没有给出任何具体的开销数字(如 token 消耗、延迟、调用次数、成本比例等),也没有与事后诊断式方法做定量对比。资料中能确认的部分如下:
也就是说,资料只提供了「避免事后诊断/重跑」这一定性表述,未给出两者开销差异的具体数值或实验对比结果。若需要量化结论,需查阅该论文正文中的实验与效率评估部分。