CORE:Toward Ubiquitous 6G Intelligence Through Collaborative Orchestration of Large Language Model Agents Over Hierarchical Edge

📄 arXiv: 2601.21822v1 📥 PDF

作者: Zitong Yu, Boquan Sun, Yang Li, Zheyan Qu, Xing Zhang

分类: cs.AI

发布日期: 2026-01-29

备注: Accepted by IEEE Communications Magazine

💡 一句话要点

CORE：通过分层边缘上LLM智能体协同编排，实现无处不在的6G智能

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

关键词: 6G网络 大型语言模型 边缘计算 协同学习 分布式智能体 角色编排 资源调度

📋 核心要点

  1. 现有方法难以应对6G网络中异构计算资源分散的问题，导致单个LLM智能体无法有效执行复杂推理任务。
  2. CORE框架通过在分层边缘部署多个具有不同角色的LLM智能体，并进行协同学习，实现高效的任务处理。
  3. 实验表明，CORE显著提高了系统效率和任务完成率，并在真实边缘计算平台上验证了其可行性。

📝 摘要（中文）

第六代(6G)网络和大型语言模型(LLM)的快速发展为无处不在的智能铺平了道路，无缝连接和分布式人工智能(AI)彻底改变了我们生活的各个方面。然而，由于分层网络中分散且异构的计算资源，单个LLM智能体不足以执行复杂的推理任务，因此实现这一愿景面临着重大挑战。为了解决这个问题，我们提出了边缘协同编排角色(CORE)，这是一个创新的框架，它采用了一个协同学习系统，其中多个LLM被分配了不同的功能角色，并分布在移动设备和分层边缘服务器上。该系统集成了三个优化模块，包括实时感知、动态角色编排和流水线并行执行，以促进分布式智能体之间高效快速的协作。此外，我们还引入了一种新的角色亲和性调度算法，用于在分层边缘基础设施上动态编排LLM角色分配，智能地将计算需求与可用的分散资源相匹配。最后，全面的案例研究和跨各种6G应用场景的性能评估证明了CORE的有效性，揭示了系统效率和任务完成率的显著提高。基于这些有希望的结果，我们通过将其部署在真实世界的边缘计算平台上，进一步验证了CORE的实际适用性，该平台在运营环境中表现出强大的性能。

🔬 方法详解

问题定义：论文旨在解决6G网络环境下，由于计算资源分散和异构性，单个大型语言模型（LLM）智能体难以高效完成复杂推理任务的问题。现有方法无法充分利用边缘计算资源，导致任务完成效率低下，无法满足6G对 ubiquitous intelligence 的需求。

核心思路：论文的核心思路是将一个复杂的任务分解为多个子任务，并分配给具有不同角色的LLM智能体。这些智能体分布在移动设备和边缘服务器上，通过协同学习和动态编排，共同完成任务。这种方法能够充分利用分散的计算资源，提高任务完成效率。

技术框架：CORE框架包含三个主要模块：实时感知模块，用于感知环境变化和任务需求；动态角色编排模块，用于根据资源可用性和任务需求，动态分配LLM智能体的角色；流水线并行执行模块，用于协调不同智能体之间的协作，实现任务的流水线式执行。此外，还包括一个角色亲和性调度算法，用于优化LLM角色在分层边缘基础设施上的分配。

关键创新：论文的关键创新在于提出了一个基于协同学习的分布式LLM智能体框架，能够充分利用边缘计算资源，实现高效的任务处理。与传统的集中式LLM部署方式相比，CORE能够更好地适应6G网络中资源分散和异构的特点。角色亲和性调度算法也是一个创新点，能够根据计算需求和资源可用性，动态优化LLM角色的分配。

关键设计：角色亲和性调度算法是关键设计之一，该算法考虑了LLM角色之间的依赖关系和计算资源之间的匹配程度，通过优化角色分配，最小化通信开销和计算延迟。具体的参数设置和损失函数等技术细节在论文中未详细描述，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过案例研究和性能评估，证明了CORE框架的有效性。实验结果表明，CORE能够显著提高系统效率和任务完成率。此外，该框架还在真实世界的边缘计算平台上进行了部署和验证，展示了其在实际应用中的可行性和鲁棒性。具体的性能数据和提升幅度在摘要中未给出，属于未知信息。

🎯 应用场景

CORE框架可应用于各种6G应用场景，例如智能交通、智慧城市、工业自动化等。通过将复杂的任务分解为多个子任务，并分配给分布在边缘的LLM智能体，可以实现更高效、更实时的决策和控制。该研究有望推动6G网络中 ubiquitous intelligence 的发展，为各行各业带来智能化升级。

📄 摘要（原文）

Rapid advancements in sixth-generation (6G) networks and large language models (LLMs) have paved the way for ubiquitous intelligence, wherein seamless connectivity and distributed artificial intelligence (AI) have revolutionized various aspects of our lives.However, realizing this vision faces significant challenges owing to the fragmented and heterogeneous computing resources across hierarchical networks, which are insufficient for individual LLM agents to perform complex reasoning tasks.To address this issue, we propose Collaborative Orchestration Role at Edge (CORE), an innovative framework that employs a collaborative learning system in which multiple LLMs, each assigned a distinct functional role, are distributed across mobile devices and tiered edge servers. The system integrates three optimization modules, encompassing real-time perception,dynamic role orchestration, and pipeline-parallel execution, to facilitate efficient and rapid collaboration among distributed agents. Furthermore, we introduce a novel role affinity scheduling algorithm for dynamically orchestrating LLM role assignments across the hierarchical edge infrastructure, intelligently matching computational demands with available dispersed resources.Finally, comprehensive case studies and performance evaluations across various 6G application scenarios demonstrated the efficacy of CORE, revealing significant enhancements in the system efficiency and task completion rates. Building on these promising outcomes, we further validated the practical applicability of CORE by deploying it on a real-world edge-computing platform,that exhibits robust performance in operational environments.