在去中心化智能体群体中学习自主协作编排

论文《Learning Self-Orchestration in Decentralized Agent Swarms》于2026-10-15提交，提出通过市场式竞价同时学习智能体行动策略与参与编排，关注价值在于探索没有中央调度器时，多智能体如何自行决定谁参与、何时行动。

• 市场式后训练让智能体用出价表达参与意愿，由出价决定行动者，并据集体结果产生局部训练信号。
• 论文在具身制作、机器人导航和深度研究三类任务中评估该方法，并比较单体训练及其他协调策略。
• 消融实验显示，行动策略和出价策略都受益于联合学习，学习到的出价能提供更有效的行动训练信号。
• 论文还报告，训练后的群体在相关任务、扩大推理时群体规模以及部分智能体掉线时表现出更好的适应性或鲁棒性。
• 作者已在GitHub公开代码和训练模型，仓库说明的实验设置为每个场景三个智能体共享环境，最高出价者行动。
• 这些结果主要反映论文设定下的群体协调能力，不能直接推断任意规模或任意任务中的线性扩展。影响/看点：如果竞价信号能在通信受限和成员异质性更强的环境中保持有效，分散式编排可能降低中央调度依赖；实际收益取决于竞价成本、训练稳定性和掉线模式。
• 资料依据:
• arXiv论文《Learning Self-Orchestration in Decentralized Agent Swarms》（2026-10-15）：https://arxiv.org/abs/2610.22322
• GitHub仓库《Embodied-Minds-Lab/MPT》（2026-10-15）：https://github.com/Embodied-Minds-Lab/MPT

本内容由 AI 生成，仅供参考，请注意甄别