SwarmSys: Gedecentraliseerde, door zwermen geïnspireerde agents voor schaalbare en adaptieve redenering

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

October 11, 2025

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

cs.AI

Samenvatting

Grote taalmodellen (LLM) agents hebben opmerkelijke redeneervaardigheden getoond. Bestaande multi-agent frameworks vertrouwen echter vaak op vaste rollen of gecentraliseerde controle, wat de schaalbaarheid en aanpasbaarheid in langetermijnredenering beperkt. Wij introduceren SwarmSys, een gesloten-lus framework voor gedistribueerde multi-agent redenering geïnspireerd door zwermintelligentie. Coördinatie in SwarmSys ontstaat door iteratieve interacties tussen drie gespecialiseerde rollen, Verkenners, Werkers en Validators, die continu cycli doorlopen van exploratie, exploitatie en validatie. Om schaalbare en adaptieve samenwerking mogelijk te maken, integreren we adaptieve agent- en gebeurtenisprofielen, op embeddings gebaseerde probabilistische matching, en een op feromonen geïnspireerd versterkingsmechanisme, wat dynamische taaktoewijzing en zelforganiserende convergentie ondersteunt zonder globale supervisie. Over symbolische redenering, onderzoekssynthese en wetenschappelijke programmeertaken heen presteert SwarmSys consistent beter dan de referentiemodellen, waarbij zowel de nauwkeurigheid als de redeneerstabiliteit verbetert. Deze bevindingen benadrukken zwermgeïnspireerde coördinatie als een veelbelovend paradigma voor schaalbare, robuuste en adaptieve multi-agent redenering, wat suggereert dat coördinatieschaling kan wedijveren met modelschaling in het bevorderen van LLM-intelligentie.

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.