Orchestrating Intelligence: Confidence-Aware Routing for Efficient Multi-Agent Collaboration across Multi-Scale Models

📄 arXiv: 2601.04861v1 📥 PDF

作者: Jingbo Wang, Sendong Zhao, Jiatong Liu, Haochun Wang, Wanting Li, Bing Qin, Ting Liu

分类: cs.AI

发布日期: 2026-01-08

💡 一句话要点

提出OI-MAS框架，通过置信度感知路由实现多尺度模型高效多智能体协作

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多智能体系统 大型语言模型 模型选择 置信度感知 动态路由 计算效率 异构模型

📋 核心要点

  1. 现有MAS框架在所有智能体上统一使用大型LLM，忽略了不同推理阶段的认知需求差异，导致计算效率低下。
  2. OI-MAS框架通过状态相关的路由机制动态选择智能体角色和模型尺度，并引入置信度感知机制来适应任务复杂度。
  3. 实验结果表明，OI-MAS在准确率上提升高达12.88%，同时降低成本高达79.78%，显著优于基线系统。

📝 摘要（中文）

多智能体系统(MAS)在复杂推理任务中表现出优于单智能体方法的性能，但通常存在计算效率低下的问题。现有框架通常在所有智能体角色中统一部署大型语言模型(LLM)，而没有考虑到不同推理阶段的不同认知需求。为了解决这个问题，我们提出了OI-MAS框架，这是一个新颖的多智能体框架，它在异构的多尺度LLM池中实现自适应模型选择策略。具体来说，OI-MAS引入了一种状态相关的路由机制，该机制在整个推理过程中动态选择智能体角色和模型尺度。此外，我们引入了一种置信度感知机制，该机制根据任务复杂度选择合适的模型尺度，从而减少对大型模型的过度依赖。实验结果表明，OI-MAS始终优于基线多智能体系统，在提高高达12.88%准确率的同时，降低高达79.78%的成本。

🔬 方法详解

问题定义：论文旨在解决多智能体系统中计算效率低下的问题。现有方法通常为所有智能体分配相同的、通常是大型的语言模型，而没有考虑到不同智能体在不同推理阶段可能需要不同规模的模型。这种统一分配方式导致计算资源的浪费，尤其是在一些认知需求较低的阶段。

核心思路：论文的核心思路是根据智能体的状态和任务的复杂度，动态地选择合适的模型规模。通过这种方式，可以避免在简单的任务中使用大型模型，从而节省计算资源。同时，通过状态相关的路由机制，可以动态地选择合适的智能体参与到推理过程中。

技术框架：OI-MAS框架包含以下几个主要模块：1) 异构多尺度LLM池，包含不同规模的语言模型；2) 状态相关的路由机制，根据当前状态选择合适的智能体角色；3) 置信度感知机制，根据任务复杂度选择合适的模型尺度。整个流程是，首先由路由机制选择智能体，然后由置信度感知机制选择模型，最后由选定的智能体和模型完成推理任务。

关键创新：论文的关键创新在于提出了置信度感知的模型选择机制。该机制能够根据任务的复杂度动态地调整模型规模，从而在保证性能的同时，降低计算成本。与现有方法相比，OI-MAS能够更加高效地利用计算资源。

关键设计：置信度感知机制的关键在于如何评估任务的复杂度。论文中可能采用了某种方式来估计当前状态的置信度，并根据置信度来选择合适的模型规模。具体的参数设置、损失函数和网络结构等技术细节在论文中应该有更详细的描述（未知）。

📊 实验亮点

实验结果表明，OI-MAS框架在多智能体协作任务中显著优于基线方法。具体来说，OI-MAS在提高准确率高达12.88%的同时，降低了高达79.78%的计算成本。这些数据表明，OI-MAS能够有效地平衡性能和效率，为多智能体系统的设计提供了一种新的思路。

🎯 应用场景

该研究成果可应用于各种需要多智能体协作的复杂推理任务，例如智能客服、自动驾驶、金融风控等。通过动态调整模型规模，可以显著降低计算成本，提高系统的响应速度和可扩展性。未来，该方法有望推广到更广泛的人工智能应用领域，促进人工智能技术的普及和发展。

📄 摘要（原文）

While multi-agent systems (MAS) have demonstrated superior performance over single-agent approaches in complex reasoning tasks, they often suffer from significant computational inefficiencies. Existing frameworks typically deploy large language models (LLMs) uniformly across all agent roles, failing to account for the varying cognitive demands of different reasoning stages. We address this inefficiency by proposing OI-MAS framework, a novel multi-agent framework that implements an adaptive model-selection policy across a heterogeneous pool of multi-scale LLMs. Specifically, OI-MAS introduces a state-dependent routing mechanism that dynamically selects agent roles and model scales throughout the reasoning process. In addition, we introduce a confidence-aware mechanism that selects appropriate model scales conditioned on task complexity, thus reducing unnecessary reliance on large-scale models. Experimental results show that OI-MAS consistently outperforms baseline multi-agent systems, improving accuracy by up to 12.88\% while reducing cost by up to 79.78\%.