LSTM-MAS: Sistema Multi-Agente che Utilizza l'Architettura LSTM per un Miglior Elaborazione di Contesti Lunghi nei LLM

Un sistema multi-agente di nuova concezione, denominato LSTM-MAS, mira ad affrontare il problema persistente della comprensione di contesti lunghi nei grandi modelli linguistici. Ispirato dal framework Long Short-Term Memory, questo sistema presenta agenti disposti in formato concatenato per replicare il flusso gerarchico delle informazioni e il gating della memoria. Ogni componente è costituito da un agente lavoratore per la comprensione a livello di segmento, un agente filtro per ridurre la ridondanza e un agente giudice per il monitoraggio continuo degli errori. Questa strategia cerca di affrontare gli svantaggi degli attuali metodi basati su singoli LLM, che spesso faticano con elevate esigenze computazionali o lunghezze di contesto limitate. Sebbene i sistemi multi-agente possano alleviare alcune di queste sfide, rimangono comunque soggetti all'accumulo di errori e all'allucinazione. L'architettura LSTM-MAS affronta specificamente queste debolezze. Questa ricerca contribuisce a risolvere una questione critica irrisolta nell'avanzamento dei LLM riguardante la gestione efficace di contesti estesi. La metodologia mostra un'applicazione innovativa dei concetti di rete neurale all'interno del design di sistemi multi-agente. Informazioni tecniche dettagliate sono disponibili nel preprint arXiv 2601.11913v2, che è stato rilasciato come sostituzione cross submission.