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 报告的运行时修正效果与基线方法相比如何」这一问题。资料 1 只提供了 ARIA 的框架定位与数据集规模,没有给出任何与基线方法的对比结果或量化指标。 资料 1 中能确认的部分:
资料 1 未包含:基线方法的具体名称、修正成功率或任务完成率的对比数值、消融实验结论,以及任何效率(如重跑次数、token 开销)对比数据。因此无法就「与基线相比如何」给出有依据的结论,建议查阅论文正文的实验章节。