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。
现有资料不足以回答「ARIA 的运行时检查机制在多智能体系统中引入多少额外开销」这一问题——资料1只提供了 ARIA 的框架定位与数据集规模,未给出任何关于延迟、吞吐、token 消耗或算力开销的量化数据。 资料中能确认的部分:
关于开销,只能做方向性推断而不能给数字:ARIA 的设计目标是避免「事后诊断或反复重跑」1,这暗示其开销结构可能是用一次轻量运行时检查替代多次完整重跑;但资料未披露检查环节的具体成本,也未与基线做开销对比,因此无法量化额外开销。