SwarmSys: Децентрализованные агенты, вдохновленные роевым интеллектом, для масштабируемого и адаптивного принятия решений

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

October 11, 2025

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

cs.AI

Аннотация

Агенты на основе больших языковых моделей (LLM) продемонстрировали выдающиеся способности к рассуждению. Однако существующие многозадачные фреймворки часто полагаются на фиксированные роли или централизованное управление, что ограничивает масштабируемость и адаптивность в задачах долгосрочного рассуждения. Мы представляем SwarmSys — замкнутую фреймворк-систему для распределенного многозадачного рассуждения, вдохновленную роевым интеллектом. Координация в SwarmSys возникает благодаря итеративному взаимодействию между тремя специализированными ролями: Исследователями, Работниками и Валидаторами, которые циклически проходят этапы исследования, эксплуатации и проверки. Для обеспечения масштабируемого и адаптивного взаимодействия мы интегрируем адаптивные профили агентов и событий, вероятностное сопоставление на основе эмбеддингов и механизм подкрепления, вдохновленный феромонами, что поддерживает динамическое распределение задач и самоорганизующуюся сходимость без глобального контроля. В задачах символического рассуждения, синтеза исследований и научного программирования SwarmSys стабильно превосходит базовые подходы, улучшая как точность, так и стабильность рассуждений. Эти результаты подчеркивают, что координация, вдохновленная роевым интеллектом, представляет собой перспективную парадигму для масштабируемого, устойчивого и адаптивного многозадачного рассуждения, предполагая, что масштабирование координации может конкурировать с масштабированием моделей в развитии интеллекта 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.