AgentDropoutV2: Optimización del Flujo de Información en Sistemas Multiagente mediante Poda de Rectificación o Rechazo en Tiempo de Prueba

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

February 26, 2026

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

cs.AI

Resumen

Si bien los Sistemas Multiagente (MAS) sobresalen en razonamiento complejo, sufren el impacto en cascada de la información errónea generada por los participantes individuales. Las soluciones actuales a menudo recurren a una ingeniería estructural rígida o a ajustes finos costosos, lo que limita su capacidad de despliegue y adaptabilidad. Proponemos AgentDropoutV2, un marco de trabajo de poda en tiempo de prueba de rectificar-o-rechazar, diseñado para optimizar dinámicamente el flujo de información de los MAS sin necesidad de reentrenamiento. Nuestro enfoque actúa como un cortafuegos activo, interceptando las salidas de los agentes y empleando un rectificador aumentado por recuperación para corregir errores iterativamente basándose en un conjunto de indicadores impulsado por fallos. Este mecanismo permite la identificación precisa de errores potenciales utilizando patrones de fallo destilados como conocimiento previo. Las salidas irreparables se podan posteriormente para prevenir la propagación de errores, mientras que una estrategia de contingencia preserva la integridad del sistema. Los resultados empíricos en extensos benchmarks matemáticos muestran que AgentDropoutV2 mejora significativamente el rendimiento de la tarea del MAS, logrando una ganancia promedio de precisión de 6.3 puntos porcentuales en benchmarks matemáticos. Además, el sistema exhibe una generalización y adaptabilidad robustas, modulando dinámicamente los esfuerzos de rectificación según la dificultad de la tarea mientras aprovecha indicadores conscientes del contexto para resolver un amplio espectro de patrones de error. Nuestro código y dataset están disponibles en https://github.com/TonySY2/AgentDropoutV2.

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.