JoyAgent-JDGenie: Technischer Bericht über GAIA

JoyAgent-JDGenie: Technical Report on the GAIA

October 1, 2025

papers.authors: Jiarun Liu, Shiyue Xu, Shangkun Liu, Yang Li, Wen Liu, Min Liu, Xiaoqing Zhou, Hanmin Wang, Shilin Jia, zhen Wang, Shaohua Tian, Hanhao Li, Junbo Zhang, Yongli Yu, Peng Cao, Haofen Wang

cs.AI

papers.abstract

Große Sprachmodelle werden zunehmend als autonome Agenten für komplexe reale Aufgaben eingesetzt, doch bestehende Systeme konzentrieren sich oft auf isolierte Verbesserungen ohne ein einheitliches Design für Robustheit und Anpassungsfähigkeit. Wir schlagen eine generalistische Agentenarchitektur vor, die drei Kernkomponenten integriert: ein kollektives Multi-Agenten-Framework, das Planungs- und Ausführungsagenten mit Abstimmungen durch Kritikermodelle kombiniert, ein hierarchisches Speichersystem, das Arbeits-, Semantik- und Verfahrensebenen umfasst, sowie ein verfeinertes Werkzeugsatz für Suche, Code-Ausführung und multimodale Analyse. Auf einem umfassenden Benchmark bewertet, übertrifft unser Framework durchweg Open-Source-Baselines und nähert sich der Leistung proprietärer Systeme an. Diese Ergebnisse unterstreichen die Bedeutung der systemweiten Integration und zeigen einen Weg zu skalierbaren, widerstandsfähigen und adaptiven KI-Assistenten auf, die in der Lage sind, über verschiedene Domänen und Aufgaben hinweg zu operieren.

English

Large Language Models are increasingly deployed as autonomous agents for complex real-world tasks, yet existing systems often focus on isolated improvements without a unifying design for robustness and adaptability. We propose a generalist agent architecture that integrates three core components: a collective multi-agent framework combining planning and execution agents with critic model voting, a hierarchical memory system spanning working, semantic, and procedural layers, and a refined tool suite for search, code execution, and multimodal parsing. Evaluated on a comprehensive benchmark, our framework consistently outperforms open-source baselines and approaches the performance of proprietary systems. These results demonstrate the importance of system-level integration and highlight a path toward scalable, resilient, and adaptive AI assistants capable of operating across diverse domains and tasks.