SwarmSys: Agentes descentralizados inspirados en enjambres para razonamiento escalable y adaptativo

SwarmSys: Decentralized Swarm-Inspired Agents for Scalable and Adaptive Reasoning

October 11, 2025

Autores: Ruohao Li, Hongjun Liu, Leyi Zhao, Zisu Li, Jiawei Li, Jiajun Jiang, Linning Xu, Chen Zhao, Mingming Fan, Chen Liang

cs.AI

Resumen

Los agentes de modelos de lenguaje de gran escala (LLM, por sus siglas en inglés) han demostrado capacidades de razonamiento notables. Sin embargo, los marcos multiagente existentes suelen depender de roles fijos o control centralizado, lo que limita la escalabilidad y adaptabilidad en tareas de razonamiento de largo plazo. Presentamos SwarmSys, un marco de bucle cerrado para el razonamiento multiagente distribuido inspirado en la inteligencia de enjambre. La coordinación en SwarmSys emerge a través de interacciones iterativas entre tres roles especializados: Exploradores, Trabajadores y Validadores, que ciclan continuamente entre exploración, explotación y validación. Para habilitar una colaboración escalable y adaptable, integramos perfiles adaptativos de agentes y eventos, emparejamiento probabilístico basado en embeddings y un mecanismo de refuerzo inspirado en feromonas, lo que permite la asignación dinámica de tareas y la convergencia auto-organizada sin supervisión global. En tareas de razonamiento simbólico, síntesis de investigación y programación científica, SwarmSys supera consistentemente los métodos de referencia, mejorando tanto la precisión como la estabilidad del razonamiento. Estos hallazgos destacan la coordinación inspirada en enjambres como un paradigma prometedor para el razonamiento multiagente escalable, robusto y adaptable, sugiriendo que la escalabilidad de la coordinación podría rivalizar con la escalabilidad de los modelos en el avance de la inteligencia de los LLM.

English

Large language model (LLM) agents have shown remarkable reasoning abilities. However, existing multi-agent frameworks often rely on fixed roles or centralized control, limiting scalability and adaptability in long-horizon reasoning. We introduce SwarmSys, a closed-loop framework for distributed multi-agent reasoning inspired by swarm intelligence. Coordination in SwarmSys emerges through iterative interactions among three specialized roles, Explorers, Workers, and Validators, that continuously cycle through exploration, exploitation, and validation. To enable scalable and adaptive collaboration, we integrate adaptive agent and event profiles, embedding-based probabilistic matching, and a pheromone-inspired reinforcement mechanism, supporting dynamic task allocation and self-organizing convergence without global supervision. Across symbolic reasoning, research synthesis, and scientific programming tasks, SwarmSys consistently outperforms baselines, improving both accuracy and reasoning stability. These findings highlight swarm-inspired coordination as a promising paradigm for scalable, robust, and adaptive multi-agent reasoning, suggesting that coordination scaling may rival model scaling in advancing LLM intelligence.