厦大团队FlowMAS用GFlowNet自动设计多智能体架构，NeurIPS录用且省15倍token
机器之心 · wechat · 2026-10-16
厦门大学 ASC 实验室团队的 FlowMAS 论文被 NeurIPS 2026 录用，把大模型多智能体系统的「组织架构」（工作流拓扑）设计从人工/搜索变成可学习的生成问题。
核心思路
- 用为离散组合结构而生的 GFlowNet（Bengio 团队提出）作生成骨架，采样概率正比于架构的综合奖励，天然保留多样性，治了 VAE/扩散类生成方法「千篇一律」的病。
- 引入「过程性中间奖励」：每加一个节点/边就评估半成品结构，并重新推导流守恒与轨迹平衡约束。
- 两件武器：好奇心模块（借随机网络蒸馏给新结构发奖励）打开探索空间；信息引导模块用部分信息分解（PID）拆出「独有/冗余/协同」三份信息贡献、专奖协同增量，再用 Gram 矩阵谱熵衡量各通信通路是否均匀做贡献。信息打分只在训练期使用，部署零额外成本。
实验结果
- 6 个基准（GSM8K/MATH、HumanEval/MBPP、HotpotQA/DROP）× 3 个底座（GPT-4o-mini、Llama-3.1-8B、Gemma-4-26B）× 15 个基线，全部第一；Llama-3.1-8B 上平均 70.50 分，超 MaAS（67.73）与 AFlow（67.55）。
- 综合三个底座，比手工设计平均高 8.17 分，比自动化方法平均高 6.12 分；在 8B 小模型上优势更明显。
- 成本：HumanEval 上 AFlow 的推理 token 是其 15 倍以上且精度低 4.5 点；ADAS 训练 token 是其 220 倍。
- 消融：换生成 backbone 或去掉任一模块都明显掉分（HumanEval 69.6→62.8），替代方案补不回来。
论文链接：https://arxiv.org/abs/2609.37151
「编程与Agent」频道最新
- 实测 Hermes Agent 接入 n8n:让 Agent 直接执行自动化工作流 — techlatest_net · 2026-10-23
- OpenAI 建议 MCP 服务器指令控制在约 1000 字符内防截断 — bibryam · 2026-10-23
- OpenAI 数据：仅约 56% 的 MCP 服务器提供了 instructions 字段 — bibryam · 2026-10-23
- OpenAI 建议 MCP 工具勿藏在调度器后，应逐一暴露清晰动作 — bibryam · 2026-10-23
- Resend 单月 100 万次 MCP 调用,OpenAI 视 MCP 为分发渠道 — bibryam · 2026-10-23
- MCP Elicitation 落地 Claude:服务器可在执行中向用户提问 — bibryam · 2026-10-23