Помогают ли еще агенты? Оценка точности и затрат в потоках многоагентных рабочих мест на МВУ
arXiv: 2606.05670v2 Annuales Type: заменить резюме: для выбора того, следует ли заменять одного агента-регулятора, требуются доказательства как выполнения задач, так и расходования средств на их выполнение. Мы представляем систему совместной оценки " Спортив-агент > , и сопоставляем шесть конфигураций работы с несколькими агентами со своей справочной базой для одного агента - < &lot; Параллельное ядро &got; &gpos; по десяти аргументациям, кодированию и контрольным параметрам использования инструментов. Все конфигурации используют GPT-4.1 и общий инструмент и интерфейсы для оценки; основные казни имеют одинаковые пределы ступеней. Мы измеряем точность и регистрируем использование символов в течение трех прогонов по фиксированным наборам задач: 3302 случая на одну конфигурацию. Эвоагент достигает 79,70% в среднем по квадратной точности против 76,65% для Sear и превышает Kor во всех трех прогонах; остальные пять лейкоцитов MAS на 1,71-8,76 процентных пункта. LLM-Debate получает 9,67 очков на HumanEval, но теряет 1,96 баллов в объединенной точности и поглощает 1,39 символа Cor. ChatEval получает 22,25 очка на IFEVAL, но ездит по Core в объединенной точности с