SafeRoute-MAS
一种面向多智能体推理系统的消息路由方法,通过覆盖感知与风险校准的两阶段决策,在保留关键信息的同时移除冗余专家消息,以降低错误传播风险。
时间轴 (近 90 天)
SafeRoute-MAS 是一种用于多智能体科学推理的消息路由方法,采用两阶段决策流程:先评估每条专家消息对推理任务的覆盖贡献,再结合风险模型决定保留或移除该消息。
SafeRoute-MAS 的路由决策仅使用消息整合前的信息,不依赖后续推理结果,以保证决策独立性。
在密封缓存的5,328个委员会上,SafeRoute-MAS在源兼容操作点取得+1.80个百分点的提升(95%置信区间[+1.13, +2.52]),同时移除了12.76%的消息token。
在gpt-oss-120b端点上进行的4,580次受控整合实验(来自458个委员会的分层抽样)中,样本估计值为-0.09个百分点,设计加权后提升为+0.94个百分点(95%置信区间[-1.31, +3.50]),同时减少18.72%的输入。
加权后的token匹配比较未能确立选择器优势(+1.68个百分点,置信区间[-1.27, +5.10]),表明SafeRoute-MAS收益在不同评估设置下不稳定。
在88个缓存的非中性标签中,只有13个(14.8%)在重复调用多数投票下保持了方向一致。
标签方向不一致可能源于模型输出的随机性或评估标准的不确定性,对依赖标签进行风险校准的SafeRoute-MAS构成根本性挑战。
加权后的预期损坏上置信限(UCL)为4.60%,但11个预设边际中只有2个通过了支持/风险规则。
研究者提出的带有Keep-All回退的数值资格认证是回顾性应用的,而非前瞻性验证,因此SafeRoute-MAS的实际部署风险尚未经过严格前瞻性测试。
全部知识事实 (9)
SafeRoute-MAS 是一种用于多智能体科学推理的消息路由方法,采用两阶段决策流程:先评估每条专家消息对推理任务的覆盖贡献,再结合风险模型决定保留或移除该消息。
50%待验证SafeRoute-MAS 的路由决策仅使用消息整合前的信息,不依赖后续推理结果,以保证决策独立性。
50%待验证在密封缓存的5,328个委员会上,SafeRoute-MAS在源兼容操作点取得+1.80个百分点的提升(95%置信区间[+1.13, +2.52]),同时移除了12.76%的消息token。
50%待验证在gpt-oss-120b端点上进行的4,580次受控整合实验(来自458个委员会的分层抽样)中,样本估计值为-0.09个百分点,设计加权后提升为+0.94个百分点(95%置信区间[-1.31, +3.50]),同时减少18.72%的输入。
50%待验证加权后的token匹配比较未能确立选择器优势(+1.68个百分点,置信区间[-1.27, +5.10]),表明SafeRoute-MAS收益在不同评估设置下不稳定。
50%待验证在88个缓存的非中性标签中,只有13个(14.8%)在重复调用多数投票下保持了方向一致。
50%待验证标签方向不一致可能源于模型输出的随机性或评估标准的不确定性,对依赖标签进行风险校准的SafeRoute-MAS构成根本性挑战。
50%待验证加权后的预期损坏上置信限(UCL)为4.60%,但11个预设边际中只有2个通过了支持/风险规则。
50%待验证研究者提出的带有Keep-All回退的数值资格认证是回顾性应用的,而非前瞻性验证,因此SafeRoute-MAS的实际部署风险尚未经过严格前瞻性测试。
50%