MACE：自适应记忆图的多智能体协同进化
原文标题：MACE: Memory-Agent Co-Evolution with Adaptive Memory Graphs 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。
论文提出 MACE 记忆-智能体协同进化框架，通过执行反馈自适应调整记忆组织与智能体记忆使用方式。其 MemGoG 结构将功能单元表示为条件、动作与输出的子图，并以支持、冲突、修复关系连接；MACE Loop 在记忆预算内选择任务相关单元与关系，并按指令或清单格式呈现。在八个基准上平均得分 81.11%，超过最强基线 SAGE 的 78.97%。
- 问题
- 多智能体协作轨迹难以复用，动作前置条件与后续所需输出容易丢失。
- 方法
- 将功能单元组织为条件-动作-输出子图并以支持、冲突、修复关系连接，用执行反馈协同进化记忆组织与使用方式。
- 结果
- 八个基准上平均得分 81.11%，超过最强基线 SAGE 的 78.97%。
- 影响
- 把协作经验沉淀为可检索记忆结构，为多智能体系统提供可复用的工程化记忆层。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MACE记忆-智能体协同进化，八基准平均81.11%超最强基线SAGE的78.97%
- •MemGoG将功能单元表示为条件、动作、输出的子图，以支持、冲突、修复关系连接
- •MACE Loop在记忆预算内选择任务相关单元与关系，按指令或清单格式呈现给各智能体
- •记录所选单元、呈现格式、智能体输出与任务结果，用于更新单元分数与关系
- •八基准平均得分81.11%，高于最强基线SAGE的78.97%
为什么重要：多智能体协作轨迹的复用难点在于保留前置条件与依赖，MACE把记忆组织与使用方式一并纳入执行反馈迭代，为多智能体记忆设计提供了可对照的基线提升。
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。