ADMA：冻结任务模型的自适应多智能体审议控制

研究提出自适应多智能体控制器 ADMA，为提议、质疑、仲裁和协调学习连续策略，同时保持任务模型冻结。在固定 Qwen3.5 的条件下，ADMA-Full 准确率较 Direct 提升 6.2–14.2 个百分点，较 ADMA-Fixed 提升 2.8–3.0 个百分点。 代价是计算开销显著上升：token 与延迟中位数分别为 Direct 的 14.3–18.7 倍和 7.8–16.5 倍。迁移到 Qwen3.6 时效果仍取决于具体任务，作者据此指出学习策略的通用性存在边界。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。