MMoA: Ny AI-agentarkitektur med återkoppling förbättrar LLM-prestanda
Forskare har introducerat MMoA, en ny arkitektur för AI-agenter som använder återkoppling för att förbättra prestandan hos stora språkmodeller (LLM) genom anpassningsbar agentselektion och minskad beräkningskostnad.
Vad har hänt
MMoA (Memoried Mixture-of-Agent) är ett nytt ramverk för AI-agenter med återkoppling, utvecklat för att övervinna begränsningarna hos befintliga Mixture-of-Agents (MoA) system. Till skillnad från statiska routrar i traditionella MoA, integrerar MMoA LSTM-baserad gating i agentvalssprocessen. Denna routermodul justerar adaptivt agenternas bidrag baserat på både aktuell input och tidigare routingbeslut, vilket möjliggör en mer kontextmedveten aggregering av resultat.
Snabbfakta
| Publikationsdatum | 24 maj 2026 |
|---|---|
| Ramverk | MMoA (Memoried Mixture-of-Agent) |
| Prestanda AlpacaEval 2.0 Win Rate | 58.0% |
”The Mixture-of-Agents (MoA) framework has shown promise in improving large language model (LLM) performance by aggregating outputs from multiple agents. However, existing MoA systems often rely on static routers that do not fully capture temporal and contextual dependencies acros”
”To address this limitation, we propose MMoA, a recurrent MoA architecture that integrates LSTM-based gating into the agent selection process. The recurrence router adaptively modulates agent contributions based on both current inputs and historical routing decisions, enabling mor”
”For example, on AlpacaEval 2.0, MMoA achieves a win rate of 58.0%, compa”
Varför det spelar roll
Utvecklingen av MMoA är viktig eftersom den förbättrar effektiviteten i hur stora språkmodeller utnyttjar flera agenter för att lösa uppgifter. Genom att introducera återkoppling kan systemet dynamiskt aktivera färre agenter, vilket minskar beräkningskostnaderna utan märkbar förlust i precision jämfört med statiska MoA-ramverk. Detta adresserar en central utmaning inom skalbar LLM-utveckling.
Vem påverkas
Främst påverkas forskare och utvecklare inom AI och maskininlärning som arbetar med storskaliga språkmodeller och agentbaserade system. Organisationer och företag som implementerar eller studerar avancerade LLM-applikationer kan också dra nytta av effektivitetsförbättringarna.
EU-status
Ej relevant för EU-status.
Mer att veta
Minskad beräkningskostnad uppnås genom att färre agenter dynamiskt aktiveras, vilket kan vara avgörande för praktiska tillämpningar av stora språkmodeller.
Snabba svar om den här nyheten
Vad har hänt?
När hände det?
Varför spelar det roll?
Vilka tekniker används i MMoA?
Länken öppnar i nytt fönster och leder till utgivarens egen sida.
Källan har spårats automatiskt från utgivaren via Aheadlines signalkedja.