AgentDropoutV2: Otimização do Fluxo de Informação em Sistemas Multiagente via Poda de Retificação ou Rejeição em Tempo de Teste
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
Resumo
Embora os Sistemas Multiagente (MAS) se destaquem no raciocínio complexo, eles sofrem com o impacto em cascata de informações errôneas geradas por participantes individuais. As soluções atuais frequentemente recorrem a engenharia estrutural rígida ou a ajustes finos dispendiosos, limitando sua implantabilidade e adaptabilidade. Propomos o AgentDropoutV2, uma estrutura de poda de retificação ou rejeição em tempo de teste projetada para otimizar dinamicamente o fluxo de informações do MAS sem retreinamento. Nossa abordagem atua como um firewall ativo, interceptando as saídas dos agentes e empregando um retificador aumentado por recuperação para corrigir erros iterativamente com base em um pool de indicadores orientado por falhas. Este mecanismo permite a identificação precisa de erros potenciais usando padrões de falha destilados como conhecimento prévio. Saídas irreparáveis são subsequentemente podadas para evitar a propagação de erros, enquanto uma estratégia de contingência preserva a integridade do sistema. Resultados empíricos em extensos benchmarks matemáticos mostram que o AgentDropoutV2 aumenta significativamente o desempenho da tarefa do MAS, alcançando um ganho médio de precisão de 6,3 pontos percentuais em benchmarks matemáticos. Além disso, o sistema exibe generalização e adaptabilidade robustas, modulando dinamicamente os esforços de retificação com base na dificuldade da tarefa, enquanto aproveita indicadores conscientes do contexto para resolver um amplo espectro de padrões de erro. Nosso código e conjunto de dados estão disponíveis em 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.