Проблема масштабирования LLM-команд
Внедрение команд физических ИИ-агентов (embodied agents), управляемых различными большими языковыми моделями (LLM), сталкивается с критическим узким местом: коммуникационным оверхедом. Традиционные подходы требуют многоэтапных диалогов на естественном языке для согласования действий. Это приводит к трем проблемам: экспоненциальный рост трафика с увеличением числа агентов, зависимость качества координации от «силы» самой слабой LLM в команде и задержки из-за итеративных переговоров.
Архитектура LDT-Coord
Авторы (Nuocheng Yang, Sihua Wang и др.) предлагают решение LDT-Coord — сетевую систему координации на базе легковесного цифрового двойника (Digital Twin, DT). Ключевое отличие от традиционных методов — отказ от текстовых переговоров в пользу структурированных данных:
- Локальное решение: Каждый агент самостоятельно выбирает действие и формирует структурированное временное ограничение (temporal constraint) для общих ресурсов.
- Централизованная проверка: Агент отправляет на сервер DT только решение и ограничения, а не весь контекст диалога.
- Rule-based оркестратор: Цифровой двойник использует алгоритм на основе правил для разрешения конфликтов без обращения к тяжелым LLM-моделям.
Оптимизация через C-POMDP
Для минимизации объема передаваемых данных задача управления отчетностью агентов сформулирована как частично наблюдаемый марковский процесс принятия решений с ограничениями (C-POMDP). Для решения этой задачи применен алгоритм PPO-Lagrangian, который динамически регулирует частоту и детализацию сообщений от агентов к серверу.
Результаты и метрики
Симуляции показали, что LDT-Coord сохраняет уровень успешности выполнения задач на уровне традиционных методов, но радикально снижает нагрузку на сеть. Сравнительные характеристики приведены ниже:
| Метрика | Традиционные LLM-диалоги | LDT-Coord (предложенный метод) |
|---|---|---|
| Коммуникационный оверхед | Базовый уровень (1x) | Снижен более чем в 70 раз (70x) |
| Успешность задач (Task Success Rate) | Высокая | Сопоставимая с базовым уровнем |
| Устойчивость к гетерогенности LLM | Низкая (зависит от слабой модели) | Высокая (декуплирование от качества LLM) |
| Механизм координации | Многоэтапные текстовые переговоры | Структурированные отчеты + Rule-based DT |
Значение для индустрии
Работа демонстрирует путь к созданию масштабируемых систем «физического ИИ» (smart factories, склады, сервисная робототехника). Отделение логики принятия решений от процесса коммуникации позволяет объединять в единые команды агентов с разными вычислительными мощностями и моделями, экономя ресурсы вычислительных сетей (Computing Power Networks).
Источник: arXiv cs.AI ↗