CATS 方法提出：为多智能体系统做对比归因拓扑搜索
原文标题：Credit Where Credit Is Due: Contrastive Attribution Topology Search for Multi-Agent Systems
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究者提出 Contrastive Attribution Topology Search（CATS），在固定智能体超图中搜索紧凑团队，由 LLM 归因器对比执行轨迹为各智能体分配贡献度，并据此剪枝弱边与弱智能体。在 BigCodeBench 上平均准确率比仅看分数的启发式搜索高 5.3 个百分点且部署 token 少 54%，在提示注入压力测试中能剔除全部被对抗提示的智能体。
- 问题
- 多智能体系统难以判断哪些智能体真正贡献或拖累表现。
- 方法
- CATS 在固定智能体超图中用 LLM 归因器对比执行轨迹分配贡献，据此剪枝弱边与弱智能体。
- 结果
- BigCodeBench 平均准确率比仅看分数的启发式搜索高 5.3 个百分点且部署 token 少 54%；提示注入压力测试中剔除全部被对抗提示的智能体。
- 影响
- 多智能体编排可自动瘦身降本，并顺带剪掉被注入的智能体，兼顾成本与安全。
深读 · 结论先行AI 生成展开看要点与影响 ↓
CATS 用 LLM 归因器给智能体分配贡献度并剪枝，BigCodeBench 准确率提升 5.3 个百分点、token 减少 54%。
- •在固定智能体超图上搜索紧凑团队，由 LLM 归因器对比执行轨迹为各智能体分配贡献度
- •BigCodeBench 平均准确率比仅看分数的启发式搜索高 5.3 个百分点，部署 token 少 54%
- •MBPP 上以更少 token 追平最强基线
- •HotpotQA 提示注入压力测试中三次运行均剔除全部被对抗提示的智能体，随机搜索则保留部分
为什么重要：把「哪个智能体有用」从整体分数拆到个体归因，同时服务团队优化与有害智能体剪枝，对多智能体系统的成本与安全部署都有直接价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。