DecArena:大规模去中心化多智能体协作评测基准
Jiali Cheng, Oleg Rokhlenko, Joo-Kyung Kim, Hadi Amiri, Xingzhi Guo
摘要
个人 AI 智能体的兴起,让依赖「全局编排器」的中心化多智能体系统在扩展性与隐私上双双吃紧。去中心化环境没有全局可见性,智能体必须主动发现非本地资源(工具、技能)并与其他智能体协作。本文研究图约束通信下的去中心化协作——每个智能体只观测本地状态、只与邻居交互,这是对人类组织结构的自然映射——并给出一个含 10 万+ 工具的合成可扩展分布式工具调用基准。实验显示:当前 LLM 智能体难以发现有跨度的相关资源、也难以在去中心化条件下协作;标准强化学习同样无法可靠补上这一短板,说明即便用最先进 LLM,去中心化多智能体系统仍需更显式的 harness 机制。作者给出强基线 GraphHarness(拓扑感知预热 + 自改进的 LLM 路由),任务成功率 +48.5、协作质量 +30.6,成本反降 34.0。
引用本文条目
GB/T 7714-2015
Jiali Cheng, Oleg Rokhlenko, Joo-Kyung Kim, et al. DecArena: Evaluating Large-Scale Decentralized Multi-Agent Collaboration[EB/OL]. arXiv preprint (cs.MA / cs.AI / cs.CL), v1 submitted 2026-11-11; benchmark with synthetic distributed tool calling at 100K+ tools, 2026(2026-11-11)[2026-11-20]. https://arxiv.org/abs/2611.15521.
BibTeX
@misc{cheng2026,
author = {Jiali Cheng and Oleg Rokhlenko and Joo-Kyung Kim and Hadi Amiri and Xingzhi Guo},
title = {DecArena: Evaluating Large-Scale Decentralized Multi-Agent Collaboration},
year = {2026},
organization = {arXiv preprint (cs.MA / cs.AI / cs.CL), v1 submitted 2026-11-11; benchmark with synthetic distributed tool calling at 100K+ tools},
howpublished = {\url{https://arxiv.org/abs/2611.15521}},
} 本条目为「智联观察」资料库收录,引用时请注明来源与本页链接。