Attore-Critico Multi-Agente per la Collaborazione Decentralizzata tra LLM

Un recente studio pubblicato su arXiv introduce tecniche Attore-Critico Multi-Agente (MAAC) volte a migliorare la cooperazione decentralizzata tra modelli linguistici di grandi dimensioni (LLM). I ricercatori sostengono che i metodi decentralizzati sono più fattibili di quelli centralizzati, consentendo agli agenti di eseguire inferenze simultaneamente e in modo adattivo. Presentano due strategie: CoLLM-CC, che utilizza un critico centralizzato, e CoLLM-DC, con critici decentralizzati. Questa ricerca affronta le sfide dell'elevata varianza associate alle tecniche Monte Carlo nei metodi di fine-tuning esistenti, che richiedono un numero maggiore di campioni per un addestramento efficace. L'articolo esamina inoltre le condizioni in cui i metodi MAAC risultano vantaggiosi per la collaborazione tra LLM.