SwarmSys : Agents inspirés de l'essaimage décentralisé pour un raisonnement évolutif et adaptatif

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

October 11, 2025

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

cs.AI

papers.abstract

Les agents de grands modèles de langage (LLM) ont démontré des capacités de raisonnement remarquables. Cependant, les cadres multi-agents existants reposent souvent sur des rôles fixes ou un contrôle centralisé, limitant ainsi l'évolutivité et l'adaptabilité dans les tâches de raisonnement à long terme. Nous présentons SwarmSys, un cadre en boucle fermée pour le raisonnement multi-agent distribué, inspiré par l'intelligence en essaim. La coordination dans SwarmSys émerge à travers des interactions itératives entre trois rôles spécialisés : les Explorateurs, les Travailleurs et les Validateurs, qui parcourent continuellement les phases d'exploration, d'exploitation et de validation. Pour permettre une collaboration évolutive et adaptative, nous intégrons des profils d'agents et d'événements adaptatifs, un appariement probabiliste basé sur des embeddings, et un mécanisme de renforcement inspiré des phéromones, favorisant ainsi une allocation dynamique des tâches et une convergence auto-organisée sans supervision globale. Sur des tâches de raisonnement symbolique, de synthèse de recherche et de programmation scientifique, SwarmSys surpasse systématiquement les méthodes de référence, améliorant à la fois la précision et la stabilité du raisonnement. Ces résultats mettent en lumière la coordination inspirée par l'essaim comme un paradigme prometteur pour un raisonnement multi-agent évolutif, robuste et adaptatif, suggérant que la mise à l'échelle de la coordination pourrait rivaliser avec la mise à l'échelle des modèles pour faire progresser l'intelligence des 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.