新加坡國立大學提出 DynaFlow，多智能體編排準確率較基線提升 10.90 個百分點
新加坡國立大學研究團隊提出 DynaFlow 框架，讓主智能體動態生成工作流以協調子智能體。在六項基準測試中，該方法使整體準確率達到 88.08%，較評估中表現最佳的基線模型提升 10.90 個百分點。
本文重點
- 新加坡國立大學提出 DynaFlow 框架，讓主智能體動態生成工作流協調子智能體。
- 在六項基準測試中，DynaFlow 整體準確率達 88.08%，較最佳基線提升 10.90 個百分點。
- Hugging Face 上沒有連結到這篇論文的公開模型或資料集。
- 本站上線
- 2026/10/27 下午05:20
- 首次報導
- 2026/10/25 上午08:00
- 最早來源發布
- 2026/10/25 上午08:00
研究在做什麼
新加坡國立大學（National University of Singapore）研究團隊提出 DynaFlow 框架，旨在解決多智能體系統（Multi-agent systems）過度依賴預定義協作結構的問題。傳統方法往往難以適應多樣化的任務需求，而 DynaFlow 將自由形式的可執行工作流合成整合進主智能體的動作空間，讓智能體能自行判斷何時需要協作，並針對特定任務生成協調子智能體的程式。 Hugging Face 每日精選論文
方法
DynaFlow 的核心機制在於主智能體生成任務特定的程式，透過順序或平行執行、結構化資訊交換以及驗證來協調子智能體。執行結果與追蹤記錄會回饋給主智能體，使其能在推理過程中調整協作方式。訓練過程僅針對主智能體進行，首先使用蒸餾軌跡（distilled trajectories，從其他模型或流程中提煉出的訓練資料序列）進行監督微調，接著針對包含無依據前提、驗證偏差及資訊流缺陷的範例進行過濾與精煉。在此架構下，所有子智能體保持固定，將編排學習與執行器能力提升分開處理。 Hugging Face 每日精選論文
結果
在涵蓋數學推理、科學問答及多跳檢索的六項基準測試中，DynaFlow 在強制模式（Forced mode，一種要求智能體必須執行協作流程的測試設定）下達到 88.08% 的整體準確率。使用相同的 Qwen3.5-27B 作為骨幹模型時，該結果比評估中表現最佳的基線模型高出 10.90 個百分點。工作流分析顯示，經過訓練後，模型更明確地利用、驗證並精煉上游輸出，突顯了跨階段資訊流在多智能體編排中的關鍵作用。 Hugging Face 每日精選論文
程式碼與資料
本站 2026-10-27 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：
- 研究機構（Hugging Face 標示）：National University of Singapore
- 程式碼：amiya-special/Dynaflow｜8 顆星｜最後更新 2026-10-27｜授權 MIT
- 專案網頁：https://amiya-special.github.io/DynaFlow-website
- 模型與資料集：Hugging Face 上沒有連結到這篇論文的公開模型或資料集
來源：佐證 1 筆
媒體轉述新聞媒體的報導
- Hugging Face 每日精選論文 · DynaFlow: Learning Free-Form Multi-Agent Orchestration10/25 上午08:00
這篇對你有用嗎？
留言 0
- 還沒有留言，第一則就是你的。
留言不用登入；名字選填，沒填就顯示「匿名會員」。含連結或疑似廣告的留言會先經編輯確認；檢舉達 3 次的留言會自動隱藏。隱私政策
發現錯誤？
回報會進入待處理清單；核實後更正，並在文中註記更正紀錄。