PlanFlip: Angriff auf Multi-Agent-Systeme
PlanFlip untersucht Angriffe auf Multi-Agent-LLM-Systeme
Sicherheit & Kontrolle
Multi-Agent
Innovationen & Trends
Strategiebasierte Multi-Agenten-Lernmethode
Neue Methode für steuerbare multi-agentensysteme
Code & Algorithms
Skalierbare Multi-Agenten-RL-Politik
CDCPG ermöglicht skalierbare Optimierung in Netzwerken mit kontinuierlichen Räumen.
Innovationen & Trends
Kollaboration in Multi-Agent Systemen
Präzise Bewertungen führen nicht notwendigerweise zu besseren Ergebnissen.
Innovationen & Trends
Graph-Kontrolle in LM-Systemen
Graph-Feedback steuert Konsensbildung in Sprachmodellen.
Autonomie & Emergenz
Multi-Agent LLM Exploration Fehlgeschlagen
Modern LLMs zeigen myopisches Verhalten beim Multi-Agent-Interagieren.
Autonomie & Emergenz
Message-Format-Effekte in Multi-Hop-Agenten
Formatwirkung ist tierabhängig bei Agenten-Kommunikation.
Code & Algorithms
Transfer-Learning in Multi-Agent Systemen
Transfer-Learning ist nützlich bei stabilen strukturellen Invarianten.
Innovationen & Trends
Mosaic: Effizienter Multi-Agenten-Planung
Mosaic verbessert Zustandsverfolgung und Koordination.
Innovationen & Trends
Kollektive Intelligenz mit Grundmodellen
Heterogenität der Modelle verbessert Leistung erheblich.
Innovationen & Trends
Entscheidungsprotokolle in MAS-LLM-Gesprächen
Untersuchung verschiedener MAS-Entscheidungsprotokolle zur Verbesserung LLM-Leistung
Code & Algorithms
StateFuse: Konfliktbewahrende Speicher
StateFuse behält Konflikte bei und verbessert Korrekturfähigkeit.
Innovationen & Trends
Effiziente Multi-Agenten-Koordination
MUTE reduziert unnötige Nachrichtenaustausch.
Innovationen & Trends
Cache Merging in Multi-Agent Systems
CanonicalMerge bietet eine bessere Strukturergänzung als BagMerge.