ICML 2025口服

本文的第一作者是新加坡国立大学计算机科学博士生张·吉金（Zhang Geibin）。本文在Nanyang技术大学的Wang Kun博士，上海人工智能研究所的Bai Lei和中国科学技术大学的Wang Xian教授的指导下完成。在LLM代理商时代，单个代理的功能到达瓶颈并形成了多种代理，例如“代理人”。但是“ Tiantuan”并不意味着更多的人会更好。手动设计是有问题和不满意的。现有的唯一智能自动化方法是“单个动作射击”，您可以在使用复杂的线条来解决所有问题的同时“用刺痛杀死鸡”。目前，新加坡国立大学的文件，上海的AI实验室，大学汤吉大学和其他机构已被接受作为ICML 2025的口头演示。他们介绍了在代理领域搜索神经网络（NAS）的监督思想，并创建了一个称为“ SuperNet Agent”的概念。 Instead of looking for the best "fixed" line ", instead, they" cut "the scourged agent team based on the difficulty of the task. How amazing is the result? The performance exceeds the existing methods by up to 11.82%, while the inference costs are only 45%. Paper address: https://arxiv.org/abs/2502.04180githublink: https://github.com/bingreky/maas标题：通过代理超级网络的搜索：在骑自行车的情况下，元素，元，元，多个领域的设备简单的问题“ 10+1*2.5 =？”，使用需要数十个调用llm的复杂系统绝对是浪费源的绝佳资源。 2。任务冲突（困境2）：在诸如Gaia之类的多个领域参考点，在文学摘要中良好的多个代理的系统不一定在Web导航摘要中很好。给思想？ Supernet Agent：“一个选择” A“全部增长”的核心贡献是一项美丽的“范式改革”。作者认为，不应痴迷于找到完美静态代理的架构。相反，您必须优化“超网代理”。这是一个概率分布，其中包括许多潜在代理的体系结构。图1超级网代理的“超级网”就像一个巨大的“容量武器”，包括各种基本功能，例如思想链（COT），工具的调用（反应）和对多个代理的讨论（讨论）。当新任务到达（咨询）时，“我Ntelligent Controller“快速分析任务的难度和类型，然后选择并立即组合并立即结合此“ ARRIFEET”的最合适的“操作员”，以形成一个定制和临时的智能系统，并具有适当的资源分配以解决问题。上面的图像清楚地显示了此图表清楚地显示了此图表。困难的问题（C，D）：MAAAS呼吁更多的运营商确保“按要求和动态组合”解决问题。xis" by Marth? Next, we break down Mars's "unique secrets". The main ideas can be summarized to define a three -stage strategy: Blueprint → Intelligent programming → Self -evolution. The first trick:Finish of the universal "plane": The traditional form of Supernet agent is to design a particular agent architecture (system), and the first step in Maas is to define all possibilities, including all the "universe" possibilities of sex - Supernet代理。1。代理操作员：首先，MAAS在“可重复使用的原子能或“技能模块”，即代理操作员（O）中分解代理系统。这包括I/O：更简单的输入和输出。 COT：逐步驱动模型。反应：结合思想和工具调用。讨论：能力的多次讨论和生存。自我恢复：自我批评和纠正。 ...等等，这个“技能库”可以完全定制和扩展！ 2。超网概率代理：使用这些代理操作员，MAAS在Multicapa中组织它们随机结构。您可以将其想象为一个巨大的“技能组”，分为Severallayers，每一层都包含所有可选代理操作员。每一层中每个“选择”模块的概率（π）均未固定，并且可以学习和优化。图2：MAAS自动演化框架的示意图图2显示了MAAS执行魔术的阶段。这是代理系统架构的概率分配空间，而不是静态系统。第二把技巧：“智能调度员：根据请求采样体系结构具有“计划”。 “当特定任务到达时（查询Q）时，如何快速生成“自定义设备”？是吗？这是MAAS的“智能调度器” - 控制器转弯。控制器的工作流量如下：1。读取任务：控制器首先编码输入查询Q，以了解其意图和难度。e" for each current task layer. 3. MOE dynamic option: The selection mechanism here is very exquisite, using a strategy similar to Hybrid Expert (MOE). At each level, the controller calculates the "activation score" for all the skill modules you select. This score depends on the module selected by the current Q task and the anterior layer. Then, they begin with the module with the highest score and activates in order, until the total cumulative scores for these activated模块超过预先建立的阈值（这是一个与MAA的动态性质密切相关的，这是一个简单的任务，只能激活代理操作员在某个级别上，即使您的早期解决方案均可在一定的级别上（可能激活两个或三个）。更好。”这样，AAS使用每次咨询的适当资源分配动态生成单个代理执行图（G），从而实现一个真正的“ Querierware”。第三个技巧：双音轨的“进化引擎”：在成本限制下的优化允许临时设备执行任务。此外，MAA必须能够从经验中学习。这将导致“超级网”和“操作员”通常变得越来越强。但是这里有一个问题。整个代理的执行过程是一个“黑匣子”，并且在外部工具和API之间充满了交互，并且无法执行末端 - 端梯度重新构造。这个目的这一目的是MAAS使用双轨道优化策略，分别更新“体系结构分布”和“操作员本身”。 1。建筑分布（π） - 蒙特卡洛战略梯度的演变：MAAS的目标功能必须考虑任务是否正确完成（性能），但是成本（用于例如，成本）。估计蒙特卡洛采样的斜率。简而言之，尝试用一些不同的架构（G_K）解决问题。然后，每个体系结构都根据其“成本绩效”（即高性能和低成本）具有显着的权重（M_K）。最后，该权重用于更新高度的概率分布，这使得其架构“良好和保存”将来更容易测试。 2。操作员（O）本身的演变 - 文本等级：这是最“神奇”的地方！如何优化指标代码或Python？火星借用“文本梯度”的概念。使用梯度代理分析操作员的性能（例如讨论运营商）。如果表现不好，则该“教练”以文本形式产生“改进意见”，这是“文本梯度”。例如，“在此完善过程的请求中添加一些示例镜头”。 “在整个模块中降低LLM的温度以稳定。” “加图3文本梯度，成本和多功能性的表现：MAA的效果不仅在概念上是复杂的，而且在数据中也令人印象深刻。现有的参考方法从0.54％提高到11.82％。它显示出极好的多功能性和效率。 $ 22.50，差6.8倍。此外，意志优化时间仅需53分钟。这比采用几种方法的其他方法要低得多。图6 MAAS成本可视化上一张图还显示了MAA在消费训练令牌，推理令牌的消耗以及推理API.或MAAS的批量咨询各种难度方面的出色表现。 Maas完全实现了对任务难度的动态感知，并结束了对简单任务的早期推断的过程，但是对于复杂的任务，它进入了第三和第4个Supernet U代理的代理，并具有多个由层激活的代理的操作员。此外，MAA还展示了超级概括能力。 GPT-4O-MINI优化的跨模型：易于迁移到各种较大的模型，例如QWEN-2.5-72B和CALL-3.1-70B，从而显着改善了性能。 Cross Datta集：在与GSM8K的培训和数学测试中，Maas仍然效果很好，展示了其强大的跨域概括能力。对于未知的操作员：即使操作员在培训中没有看到“讨论”，也可以在推理过程中合理地激活和使用MAA，显示出令人惊讶的诱导能力。摘要：通过介绍“代理超级网”的概念，Maas巧妙地将NAS意识形态的范式应用于多个代理系统的自动设计，完全解决了由当前字段“一个尺寸拟合”的设计引起的资源浪费和性能瓶颈。与其寻找最佳的静态解决方案，不如优化动态生成的体系结构分布以适应各种任务，而是最有利可图的解决方案提供了信息。这项任务无疑将为建立更高效，经济，聪明和完全自动化的AI系统铺平道路。我们预计汽车时代和完全自动化的集体智慧的到来！