AgentDropoutV2: Optimierung des Informationsflusses in Multi-Agenten-Systemen durch Test-Zeit "Korrigieren-oder-Ablehnen"-Ausdünnung

AgentDropoutV2: Optimizing Information Flow in Multi-Agent Systems via Test-Time Rectify-or-Reject Pruning

February 26, 2026

Autoren: Yutong Wang, Siyuan Xiong, Xuebo Liu, Wenkang Zhou, Liang Ding, Miao Zhang, Min Zhang

cs.AI

Zusammenfassung

Während Multi-Agenten-Systeme (MAS) bei komplexen Denkaufgaben hervorragende Leistungen erbringen, leiden sie unter der kaskadierenden Wirkung fehlerhafter Informationen, die von einzelnen Teilnehmern erzeugt werden. Aktuelle Lösungen greifen oft auf starre Strukturierung oder aufwändiges Fine-Tuning zurück, was ihre Einsatzfähigkeit und Anpassungsfähigkeit einschränkt. Wir schlagen AgentDropoutV2 vor, ein Test-Time-Rectify-or-Reject-Framework zur dynamischen Optimierung des MAS-Informationsflusses ohne Neutraining. Unser Ansatz fungiert als aktive Firewall, die Agentenausgaben abfängt und einen retrieval-augmentierten Korrekturmechanismus einsetzt, um Fehler iterativ auf Basis eines fehlergetriebenen Indikatorpools zu beheben. Dieser Mechanismus ermöglicht die präzise Identifizierung potenzieller Fehler, indem destillierte Fehlermuster als Vorwissen genutzt werden. Nicht reparaturfähige Ausgaben werden anschließend beschnitten, um eine Fehlerfortpflanzung zu verhindern, während eine Fallback-Strategie die Systemintegrität bewahrt. Empirische Ergebnisse auf umfangreichen Mathematik-Benchmarks zeigen, dass AgentDropoutV2 die Aufgabenleistung des MAS signifikant steigert und einen durchschnittlichen Genauigkeitszuwachs von 6,3 Prozentpunkten auf Mathematik-Benchmarks erzielt. Darüber hinaus weist das System eine robuste Generalisierungs- und Anpassungsfähigkeit auf, moduliert dynamisch den Korrekturaufwand basierend auf der Aufgabenschwierigkeit und nutzt kontextbewusste Indikatoren zur Lösung eines breiten Spektrums von Fehlermustern. Unser Code und Datensatz sind unter https://github.com/TonySY2/AgentDropoutV2 veröffentlicht.

English

While Multi-Agent Systems (MAS) excel in complex reasoning, they suffer from the cascading impact of erroneous information generated by individual participants. Current solutions often resort to rigid structural engineering or expensive fine-tuning, limiting their deployability and adaptability. We propose AgentDropoutV2, a test-time rectify-or-reject pruning framework designed to dynamically optimize MAS information flow without retraining. Our approach acts as an active firewall, intercepting agent outputs and employing a retrieval-augmented rectifier to iteratively correct errors based on a failure-driven indicator pool. This mechanism allows for the precise identification of potential errors using distilled failure patterns as prior knowledge. Irreparable outputs are subsequently pruned to prevent error propagation, while a fallback strategy preserves system integrity. Empirical results on extensive math benchmarks show that AgentDropoutV2 significantly boosts the MAS's task performance, achieving an average accuracy gain of 6.3 percentage points on math benchmarks. Furthermore, the system exhibits robust generalization and adaptivity, dynamically modulating rectification efforts based on task difficulty while leveraging context-aware indicators to resolve a wide spectrum of error patterns. Our code and dataset are released at https://github.com/TonySY2/AgentDropoutV2.