ExRole: Apprendere Ruoli Eseguibili per Modelli Linguistici Multi-Agente
Un recente articolo su arXiv (2608.11949) presenta un nuovo framework chiamato ExRole, che riconcettualizza i ruoli nei modelli linguistici multi-agente come variabili di controllo dinamiche invece di etichette di prompt fisse. Questo framework apprende prototipi di ruolo consapevoli del contesto futuro da tracce di squadra locali al prefisso, trasformandoli in istruzioni comprensibili e marcatori di ruolo allineati ai token. Inoltre, può instradare slot di rango LoRA condivisi con credito allineato al turno. Nei test sui benchmark MuSiQue e 2WikiMultiHopQA, ExRole supera la ricerca a singolo agente di 15.0/14.4 e 13.5/16.1 punti EM/F1, rispettivamente. Rispetto ai migliori controlli non-ExRole, i miglioramenti sono ancora notevoli, con 11.5/11.6 e 7.7/9.7 punti. Gli autori sostengono che i ruoli dovrebbero incapsulare comportamenti che prevedono l'utilità futura, guidano le interazioni future e individuano capacità addestrabili legate a tali comportamenti, contribuendo al progresso di sistemi AI multi-agente più interpretabili e adattivi.
Fatti principali
- 1. ExRole è un framework da traiettoria a ruolo per modelli linguistici multi-agente.
- 2. I ruoli sono trattati come variabili di controllo eseguibili, non solo etichette di prompt.
- 3. Apprende prototipi di ruolo consapevoli del futuro da tracce di squadra locali al prefisso.
- 4. Risolve i ruoli in istruzioni leggibili e marcatori di ruolo allineati ai token.
- 5. Instrada opzionalmente slot di rango LoRA condivisi con credito allineato al turno.
- 6. Su MuSiQue, ExRole migliora rispetto alla ricerca a singolo agente di 15.0 EM e 14.4 F1.
- 7. Su 2WikiMultiHopQA, i miglioramenti sono 13.5 EM e 16.1 F1.
- 8. Rispetto ai controlli non-ExRole più forti, i guadagni sono 11.5/11.6 e 7.7/9.7 punti.
- 9. L'articolo è disponibile su arXiv con ID 2608.11949.
Entità
Istituzioni
- arXiv