RecursiveMAS/RecursiveMAS

解决的问题

RecursiveMAS 解决了将多智能体系统 (MAS) 视为孤立 LLM 模块集合所导致的低效率问题。它旨在通过允许智能体比传统离散交互更有效地沟通和细化信息，来改善各种协作风格（如顺序、混合、蒸馏和审议）的协调性和性能。

运作方式

该框架不使用孤立模块，而是将整个多智能体系统视为统一的递归计算。它使用轻量级的 "RecursiveLink" 模块来连接异构智能体，使它们能够在多个递归轮次中交换和演化潜在状态。

系统采用内外循环 (Inner-Outer Loop) 范式进行训练：

1. 内循环 (Inner Loop)：为每个独立智能体提供模型层级的预热启动。
2. 外循环 (Outer Loop)：在系统层级训练 "RecursiveLink" 模块，以优化智能体之间的协调。

适用对象

此项目专为从事多智能体协调、基于 LLM 的系统优化之 AI 研究人员与开发者设计，也适合那些希望为数学、科学、医学和编程等任务实现复杂智能体协作模式（如蒸馏或审议）的人员。

特色亮点

• 潜在空间递归 (Latent-Space Recursion)：通过细化共享的潜在状态而非仅仅交换文本来扩展协作。
• 多样化的协作模式：支持顺序 (Sequential)、混合 (Mixture)、蒸馏 (Distillation) 和审议 (Deliberation) 风格。
• 内外循环训练 (Inner-Outer Loop Training)：针对个别智能体及其连接的两阶段共同优化策略。
• 广泛的基准测试成功：在包括 Math500、GPQA 和 LiveCodeBench 在内的 9 个基准测试中展现了性能提升。