AgentDropoutV2: Оптимизация потока информации в мультиагентных системах с помощью проверочной процедуры Rectify-or-Reject Pruning

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

February 26, 2026

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

cs.AI

Аннотация

Хотя многоагентные системы (МАС) демонстрируют превосходные результаты в сложных рассуждениях, они страдают от каскадного воздействия ошибочной информации, генерируемой отдельными участниками. Современные решения часто прибегают к жесткому структурному проектированию или дорогостоящему тонкому настрою, что ограничивает их развертываемость и адаптивность. Мы предлагаем AgentDropoutV2 — фреймворк для проверочной обрезки по принципу "исправить или отклонить", предназначенный для динамической оптимизации информационного потока в МАС без переобучения. Наш подход действует как активный брандмауэр, перехватывая выходы агентов и используя retrieval-усиленный корректор для итеративного исправления ошибок на основе индикаторного пула, управляемого сбоями. Этот механизм позволяет точно идентифицировать потенциальные ошибки, используя дистиллированные шаблоны сбоев в качестве априорного знания. Неремонтопригодные выходные данные впоследствии отсекаются для предотвращения распространения ошибок, в то время как стратегия резервного копирования сохраняет целостность системы. Эмпирические результаты на обширных математических бенчмарках показывают, что AgentDropoutV2 существенно повышает производительность МАС при решении задач, достигая среднего прироста точности на 6.3 процентных пункта. Кроме того, система демонстрирует robustную обобщающую способность и адаптивность, динамически модулируя усилия по коррекции в зависимости от сложности задачи, одновременно используя контекстно-зависимые индикаторы для разрешения широкого спектра шаблонов ошибок. Наш код и набор данных опубликованы по адресу 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.