Проблема масштабируемости и надежности
Создание надежных мультиагентных систем сталкивается с дилеммой: использовать множество дешевых, но ошибочных моделей или единичные мощные, но дорогие решения. Автор предлагает модель, где «слабые» агенты формируют консенсус на графе, а несколько «сильных» агентов-оракулов (correctors) фиксируют узлы графа на истинном значении. Качество системы измеряется через когерентность $H(R) = \text{tr } M(R)^{-1}$, где $M(R)$ — матрица, связанная с расположением оракулов.
Математический прорыв: субмодулярность
Ключевое открытие статьи заключается в том, что функция качества остается субмодулярной даже при разной силе оракулов. Это означает, что каждый следующий добавленный оракул дает все меньший прирост точности (убывающая отдача). На практике это позволяет использовать жадный алгоритм, который гарантирует достижение результата в пределах $1 - 1/e$ (около 63%) от оптимального при любом заданном бюджете.
Эмпирические данные: Qwen3 и два разных закона
Авторы протестировали модель на семействе моделей Qwen3 (от 0.6B до 32B параметров). Результаты выявили фундаментальное различие в зависимости от типа задачи: закон «цена-качество» имеет разную кривизну.
| Задача | Тип кривизны | Оптимальная стратегия размещения | Почему так? |
|---|---|---|---|
| Математическая верификация | Выпуклая (concave) | Несколько сильных оракулов | Убывающая отдача заставляет концентрировать ресурсы в самых важных узлах. |
| Трассировка кода (Code tracing) | Вогнутая (convex) | Множество средних оракулов | Равномерное распределение «корректоров» дает больший эффект, чем концентрация. |
Практическая значимость
Результат $B^*(\epsilon)$ — минимальный бюджет, гарантирующий консенсус с точностью $ heta$ — позволяет инженерам точно рассчитывать стоимость внедрения проверок в LLM-рои. Для задач, где важна строгая логика (математика), выгоднее купить одну мощную модель-контролер. Для сложных семантических задач (код) выгоднее распределить бюджет на множество умеренных проверок.
Доступность
Код и данные для воспроизведения эксперимента доступны на GitHub: github.com/YehudaItkin/budgeted-oracle-placement. Статья опубликована 7 июля 2026 года в arXiv (cs.AI).
Источник: arXiv cs.AI ↗