arXiv · 11.06.2026 ·Коммуникация между агентами

Новый метод коммуникации между гетерогенными ИИ-агентами

Исследователи из MIT и Google Research предложили новый подход к коммуникации между ИИ-агентами, который может значительно улучшить эффективность и точность взаимодействия между разными моделями. В статье, опубликованной на arXiv, авторы описывают метод, позволяющий агентам обмениваться информацией через плотные латентные представления, что исключает необходимость кодирования и декодирования текста, что, в свою очередь, снижает затраты и потери информации.

Традиционные системы многоагентных взаимодействий часто используют текстовые сообщения, что приводит к потере информации и дополнительным затратам на декодирование и повторное кодирование. Предложенный метод использует KV-кеш для коммуникации, что позволяет агентам обмениваться информацией напрямую в латентном пространстве. Это особенно важно для гетерогенных систем, где агенты могут использовать разные модели и архитектуры.

Авторы отмечают, что существующие методы коммуникации между гетерогенными агентами ограничены и часто предполагают наличие общих входных данных. Новый подход решает эту проблему, обеспечивая выравнивание латентных представлений между разными моделями. Это открывает новые возможности для создания более сложных и эффективных систем, где агенты могут взаимодействовать независимо от их архитектуры.

Для разработчиков ИИ-агентов, таких как Jarv, этот метод может стать важным инструментом для улучшения коммуникации между различными компонентами системы. Использование плотных латентных представлений может значительно повысить эффективность и точность взаимодействия, что в конечном итоге приведет к созданию более интеллектуальных и адаптивных агентов.

Источник: arXiv

Похожие материалы

arXiv · Оркестрация ИИ-агентов Новый подход к маршрутизации множества ИИ-агентов Исследователи из Университета Карнеги-Меллон представили новую работу, посвящённую компиляционным методам в задачах маршрутизации множества агентов (MAPF). В отличие от классических подходов, где все агенты должны достичь заданных целей без столкновений, авторы рассматривают варианты с разными требованиями к агентам. arXiv · Оптимизация декодирования в ИИ-агентах Новый метод декодирования для ускорения работы ИИ-агентов Исследователи из MIT и Google Research предложили новый подход к декодированию в языковых моделях, который может значительно ускорить работу ИИ-агентов. В статье, опубликованной на arXiv, они представляют метод Mean-Field Parallel Decoding, который позволяет генерировать токены параллельно, минимизируя задержки. Hacker News · Инфраструктура для агентов Агентный веб в оболочке: новый подход к взаимодействию Разработчики предлагают новый подход к взаимодействию с веб-приложениями через оболочку, отказываясь от традиционных селекторов и скриншотов. В центре концепции — агентный подход, где взаимодействие с вебом происходит через команды в терминале, а не через графический интерфейс. Это может значительно упростить интеграцию веб-сервисов в ИИ-агентов, так как не требует сложной обработки визуальных данных. arXiv · ИИ-агенты и память Новый подход к редактированию знаний в ИИ-агентах Исследователи из MIT и Университета Карнеги-Меллона представили новый метод редактирования знаний в ИИ-моделях, который позволяет обновлять конкретные факты, не затрагивая близлежащие, но нерелевантные данные. В статье, опубликованной на arXiv, авторы предлагают использовать память, которая извлекается во время инференса, и адаптеры для коррекции предпочтений модели. The latest research from Google · RAG и агентные платформы Как Gemini Enterprise Agent Platform улучшает RAG для ИИ-агентов Google представил Agentic RAG — подход к Retrieval-Augmented Generation (RAG) в рамках своей платформы Gemini Enterprise Agent. Этот метод направлен на повышение надёжности и точности ответов ИИ-агентов за счёт улучшенного извлечения и использования контекста из внешних источников. The latest research from Google · Разумные агенты и байесовские сети Исследование Google: как обучить ИИ разумно рассуждать Исследователи Google представили новый подход к обучению языковых моделей разумному рассуждению на основе байесовских принципов. В статье, опубликованной на официальном блоге Google Research, описывается метод, который позволяет моделям лучше обрабатывать вероятностные данные и принимать решения в условиях неопределенности. Это особенно важно для разработки ИИ-агентов, которые должны работать в динамических и сложных средах, где точность и логичность рассуждений критически важны. arXiv · RAG и аналитическое мышление Как RAG помогает ИИ-агентам решать сложные задачи через аналогии Исследователи из MIT и Google Research предложили новый подход к улучшению способности языковых моделей решать сложные задачи через аналогии. В работе, опубликованной на arXiv, они демонстрируют, как Retrieval-Augmented Generation (RAG) может быть адаптирован для более эффективного решения задач, требующих нестандартного мышления. arXiv · ИИ-агенты в научных исследованиях EurekAgent: как ИИ-агенты автоматизируют научные открытия Исследователи из MIT и других ведущих университетов представили EurekAgent — фреймворк, который демонстрирует, как LLM-основанные агенты могут автоматизировать научные открытия. В статье, опубликованной на arXiv, авторы показывают, что при наличии оптимизируемого метрика и подходящей среды выполнения, агенты способны предлагать, проверять и итерировать научные решения, превосходя человеческие подходы. arXiv · Робототехника и ИИ-агенты Как улучшить надёжность ИИ-агентов в робототехнике Исследователи из MIT и других ведущих университетов предложили новый подход к улучшению надёжности ИИ-агентов в робототехнике. В своей работе, опубликованной на arXiv, они рассматривают проблему обнаружения аномалий в поведении роботов, управляемых генеративными моделями. arXiv · Оркестрация ИИ-агентов Новый подход к синтезу ветвей в агентских workflows Исследователи из MIT и UC Berkeley предложили новый метод для работы с параллельными ветвями в агентских workflows, который может значительно ускорить выполнение задач. В традиционных системах ветви, отвечающие за выполнение подзадач, сбор данных или генерацию решений, объединяются в финальном текстовом синтезе. Это создаёт узкое место, особенно при работе с большими языковыми моделями (LLM), которые обрабатывают контекст последовательно.

← Все материалы