基于大型语言模型的多代理系统正在彻底改变自主沟通和协作，但它们仍然容易受到安全威胁，例如未经授权的访问和数据泄露。为了解决这个问题，我们介绍了Admentafe，这是一个新颖的框架，可通过层次信息管理和内存保护来增强MAS安全性。 AgesentsAfe按安全级别对信息进行了分类，从而限制了对授权代理的敏感数据访问 ...

大型语言模型（LLM）的多代理系统（MAS）在各种复杂的任务中表现出了非凡的功能，从协作解决问题到自动决策。但是，随着这些系统越来越多地整合到关键应用中，它们对对抗性攻击，错误信息传播和意外行为的脆弱性引发了重大关注。为了应对这一挑战，我们介绍了G-Safeguard，这是一种拓扑指导的安全镜头和强大的LLM-MAS的处理，该镜头可利用图形神经网络来检测多代理性话语图形的异常情况，并采用拓扑干预进 ...

科学进步的快速发展需要能够加速发现的创新工具。虽然最近的人工智能方法，特别是大型语言模型（LLM），在假设生成和实验设计等任务中显示出了希望，但它们在复制现实世界科学实践的协作性质方面存在不足，在现实世界科学实践中，不同的专家团队共同努力解决问题复杂的问题。为了解决这个限制，我们提出了一个基于LLM的多代理系统，即 ...

最近，基于模型的增强学习算法在视觉输入环境中表现出了显着的功效。这些方法首先通过自我监督的学习来构建真实环境的参数化模拟世界模型。通过利用世界模型的想象力，代理商的政策将得到增强，而无需从真实环境中取样的限制 ...

我们介绍了MLE基础，这是一种测量AI代理在机器学习工程中的表现的基准。为此，我们策划了来自Kaggle的75毫升工程相关的比赛，创建了一套具有挑战性的任务，以测试现实世界中的ML工程技能，例如培训模型，准备数据集和运行实验。我们使用Kaggle的公开排行榜为每场比赛建立人类基线 ...

作为一个新兴课题，对自主代理的研究兴趣正在不断上升。大型语言模型（LLM）的显著成就证明了在自主代理中实现类人智能的巨大潜力。然而，挑战在于使这些智能体能够在动态环境中学习、推理和应对不确定性 ...

迅速学习已成为用于各种下游任务的微调基础模型（例如剪辑）的有效替代方法。使用特定于任务的目标进行训练，即 ...

本文探讨了多智能体系统的现有工作，并确定了尚未充分解决的挑战。通过利用多代理系统中各个代理的不同功能和角色，这些系统可以通过协作来处理复杂的任务。我们讨论优化任务分配，通过迭代辩论促进强大的推理，管理复杂和分层的上下文信息，以及增强内存管理以支持多智能体系统内复杂的交互 ...