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该问题的核心细节。资料 1 只提供了 ARIA 框架的摘要级信息,未说明小模型在推理时依据什么信号或阈值决定介入时机,也未给出误介入率(false intervention rate)的评估方法或指标定义。 资料中能确认的部分:
关于「介入时机如何决定」和「误介入率如何评估」,摘要未涉及触发条件、判定阈值、误介入/漏介入的度量口径,因此无法基于现有资料给出结论。建议查阅原文的方法与实验章节。