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部分。资料 1 只提供了 ARIA 框架的宏观描述,没有说明小模型在推理时依据什么信号或阈值决定介入时机,也没有给出误介入率的定义或评估方法。 资料中能确认的相关信息如下:
关于「介入时机如何决定」和「误介入率如何评估」,摘要层面没有披露触发机制(如置信度阈值、检查点频率、验证器打分等)以及评估指标口径,需要查阅论文正文的实验与实现章节。