作者：祖刚安发布时间：2026-06-16 20:32:20 点击数：42161

稍早前相关部门公布新政策男子连鞋都没脱就下水救人 很高兴为您解答这个问题，让我来帮您详细说明一下。品牌授权报修电话，快速上门服务

桥西区苑东街道陕西省宝鸡市眉县海淀区青龙桥街道延庆区沈家营镇蓟州区东二营镇四川省凉山彝族自治州甘洛县四川省遂宁市蓬溪县黑龙江省哈尔滨市巴彦县武清区上马台镇江苏省徐州市井陉县吴家窑乡江西省赣州市石城县蓟州区东二营镇马鞍山市博望区云南省怒江傈僳族自治州福贡县伊犁哈萨克自治州昭苏县四川省泸州市江阳区哈密市伊吾县焦作市中站区甘肃省陇南市武都区江西省吉安市永新县内蒙古鄂尔多斯市康巴什区辽宁省大连市旅顺口区黑龙江省大兴安岭地区呼玛县怀柔区宝山镇焦作市沁阳市黑龙江省伊春市金林区云南省文山壮族苗族自治州广南县内蒙古锡林郭勒盟正镶白旗河西区桃园街道云南省玉溪市新平彝族傣族自治县四川省宜宾市翠屏区昌平区阳坊镇陕西省汉中市西乡县海南省海口市美兰区江苏省徐州市丰县江苏省连云港市赣榆区朝阳区豆各庄地区辽宁省沈阳市沈河区山西省忻州市定襄县朝阳区管庄地区焦作市焦作市中站区甘肃省甘南藏族自治州朝阳区小红门地区四川省广元市辽宁省锦州市义县青海省果洛藏族自治州青海省玉树藏族自治州治多县山西省晋中市榆社县甘肃省定西市渭源县山东省泰安市东平县密云区高岭镇百色市靖西市甘肃省白银市景泰县四川省甘孜藏族自治州四川省宜宾市翠屏区黑龙江省鸡西市鸡冠区云南省大理白族自治州云龙县陕西省商洛市山阳县伊犁哈萨克自治州昭苏县崇左市甘肃省定西市渭源县四川省甘孜藏族自治州丹巴县焦作市沁阳市湖北省襄阳市襄州区无极县大陈镇内蒙古乌海市乌达区伊犁哈萨克自治州昭苏县江苏省徐州市山东省聊城市茌平区北辰区广源街道贵州省六盘水市水城县湖北省宜昌市宜都市蚌埠市蚌山区阿克苏地区拜城县福建省南平市焦作市中站区山东省青岛市城阳区云南省红河哈尼族彝族自治州泸西县四川省成都市新都区辽宁省沈阳市重庆市市辖区北碚区广东省惠州市龙门县蓟州区东二营镇桥西区东华街道北辰区山西省运城市夏县江苏省镇江市句容市山东省聊城市冠县青海省海南藏族自治州贵德县密云区古北口镇平山县东回舍镇西藏山南市贡嘎县青海省海南藏族自治州贵德县平山县小觉镇朝阳区小红门地区淮南市大通区湖北省宜昌市秭归县桂林市兴安县

昨日研究机构公布重大成果解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络，很高兴为您解答这个问题，让我来帮您详细说明一下:官方服务专线，支持多品牌报修

赞皇县院头镇云南省大理白族自治州云龙县怀柔区雁栖地区四川省成都市双流区黑龙江省鹤岗市蓟州区东赵各庄镇隆安县合肥市庐阳区江苏省苏州市相城区山东省泰安市泰山区朝阳区小红门地区内蒙古锡林郭勒盟镶黄旗山西省阳泉市平定县辽宁省辽阳市白塔区海南省三沙市西沙区怀柔区雁栖地区陕西省汉中市留坝县哈密市伊吾县北海市海城区山西省晋中市榆社县福建省莆田市仙游县静海区大邱庄镇海南省海口市美兰区静海区大邱庄镇防城港市东兴市四川省凉山彝族自治州昭觉县福建省漳州市龙海市阿克苏地区拜城县蚌埠市蚌山区百色市田林县青海省果洛藏族自治州江西省宜春市奉新县防城港市东兴市江苏省镇江市句容市江西省宜春市奉新县四川省泸州市江阳区昌平区阳坊镇顺义区空港街道辽宁省铁岭市开原市隆安县阿克苏地区拜城县焦作市吉林省长春市双阳区辽宁省大连市旅顺口区江苏省南通市启东市桂林市兴安县静海区西翟庄镇丰台区右安门街道山西省晋中市太谷区山东省德州市齐河县内蒙古乌海市乌达区百色市靖西市赞皇县院头镇吉林省长春市双阳区密云区高岭镇黑龙江省鸡西市鸡冠区阿克苏地区拜城县甘肃省甘南藏族自治州广东省汕头市南澳县四川省宜宾市江安县云南省西双版纳傣族自治州勐腊县内蒙古锡林郭勒盟镶黄旗江西省萍乡市上栗县山西省阳泉市平定县山西省长治市襄垣县四川省成都市金牛区广东省深圳市广东省惠州市龙门县山西省晋城市泽州县福建省福州市罗源县四川省广安市岳池县黑龙江省佳木斯市富锦市江西省吉安市吉安县吉林省四平市铁西区江苏省徐州市丰县青海省果洛藏族自治州静海区西翟庄镇陕西省西安市未央区山东省滨州市亳州市利辛县喀什地区麦盖提县大兴区山东省枣庄市台儿庄区吉林省四平市铁西区西城区月坛街道山西省阳泉市平定县山西省临汾市安泽县广东省广州市越秀区西青区精武镇蓟州区东施古镇云南省西双版纳傣族自治州勐腊县北海市海城区崇左市宁明县陕西省汉中市留坝县延庆区康庄镇江西省鹰潭市余江区河东区大直沽街道四川省广安市岳池县四川省成都市金牛区喀什地区麦盖提县

全球服务区域:河西区桃园街道山西省吕梁市中阳县青海省果洛藏族自治州福建省厦门市湖里区云南省怒江傈僳族自治州福贡县青海省海西蒙古族藏族自治州德令哈市崇左市山西省晋中市太谷区辽宁省铁岭市清河区元氏县殷村镇内蒙古鄂尔多斯市鄂托克旗密云区高岭镇朝阳区酒仙桥街道隆安县桂林市兴安县内蒙古兴安盟乌兰浩特市隆安县朝阳区酒仙桥街道河西区桃园街道昌平区回龙观街道青海省海南藏族自治州贵德县山东省青岛市城阳区陕西省汉中市留坝县西青区精武镇内蒙古锡林郭勒盟镶黄旗银川市贺兰县桥西区苑东街道江西省景德镇市昌江区平山县岗南镇无极县大陈镇四川省成都市新都区甘肃省白银市景泰县湖北省宜昌市宜都市南阳市内乡县山东省潍坊市青州市重庆市市辖区北碚区朝阳区管庄地区蓟州区官庄镇广东省广州市越秀区内蒙古鄂尔多斯市鄂托克旗江苏省连云港市赣榆区贵州省黔南布依族苗族自治州惠水县吉林省四平市铁西区喀什地区麦盖提县丰台区长辛店镇湖北省宜昌市夷陵区长安区广安街道喀什地区叶城县桥西区东华街道山东省威海市焦作市桥西区苑东街道内蒙古兴安盟乌兰浩特市宝坻区牛家牌镇江苏省南通市启东市山西省晋中市太谷区山东省青岛市城阳区西藏拉萨市达孜区塔城地区和布克赛尔蒙古自治县许昌市建安区内蒙古鄂尔多斯市鄂托克旗福建省莆田市城厢区蓟州区东赵各庄镇山西省吕梁市中阳县南开区长虹街道和田地区朝阳区小红门地区海南省三沙市西沙区云南省丽江市宁蒗彝族自治县黑龙江省鸡西市鸡冠区朝阳区小关街道辽宁省铁岭市开原市江苏省徐州市丰县平顶山市湛河区亳州市利辛县吉林省长春市双阳区丰台区宛平城地区山西省晋中市榆社县青海省海西蒙古族藏族自治州德令哈市哈密市伊吾县焦作市沁阳市焦作市山东省东营市垦利区湖北省宜昌市夷陵区桂林市秀峰区平山县小觉镇顺义区空港街道昌平区延寿镇西藏山南市贡嘎县内蒙古兴安盟乌兰浩特市辽宁省铁岭市清河区江苏省苏州市相城区山西省晋中市太谷区广东省深圳市山西省阳泉市平定县辽宁省铁岭市开原市江苏省徐州市江西省景德镇市昌江区元氏县苏村乡黑龙江省鹤岗市

本月行业协会公布最新成果解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络，很高兴为您解答这个问题，让我来帮您详细说明一下:售后服务维修中心电话，支持多渠道服务

全国服务区域：崇左市宁明县和田地区崇左市四川省凉山彝族自治州甘洛县山东省聊城市茌平区新乐市协神乡井陉县测鱼镇辽宁省锦州市义县鹿泉区白鹿泉乡丰台区右安门街道合肥市庐阳区武清区汊沽港镇昌平区延寿镇赵县沙河店镇哈密市伊吾县百色市田林县静海区西翟庄镇阿克苏地区拜城县青海省海南藏族自治州贵德县丰台区宛平城地区广东省汕头市龙湖区河西区桃园街道福建省南平市防城港市东兴市百色市靖西市四川省甘孜藏族自治州九龙县焦作市中站区广东省汕头市龙湖区吉林省白山市浑江区西乡塘区西藏拉萨市达孜区井陉县测鱼镇和平区南市街道贵州省六盘水市水城县江西省宜春市奉新县四川省宜宾市江安县湖北省宜昌市秭归县喀什地区叶城县平顶山市湛河区青秀区上海市市辖区嘉定区朝阳区双井街道桥西区留营街道甘肃省天水市秦州区西城区天桥街道阿克苏地区新和县蓟州区东施古镇井陉县吴家窑乡云南省大理白族自治州云龙县黑龙江省鸡西市鸡冠区长安区南村镇湖北省宜昌市秭归县内蒙古乌海市乌达区西藏山南市昌平区小汤山镇云南省玉溪市新平彝族傣族自治县西城区月坛街道云南省大理白族自治州云龙县内蒙古兴安盟乌兰浩特市江西省宜春市奉新县朝阳区小关街道隆安县元氏县殷村镇武清区汊沽港镇广东省云浮市新兴县焦作市中站区亳州市利辛县黑龙江省佳木斯市富锦市新乐市协神乡信阳市平桥区南阳市内乡县福建省厦门市海沧区焦作市沁阳市甘肃省陇南市广东省佛山市三水区西藏山南市贡嘎县云南省怒江傈僳族自治州福贡县信阳市平桥区陕西省咸阳市兴平市黑龙江省鹤岗市湖北省宜昌市西陵区山东省聊城市冠县海南省海口市美兰区井陉县吴家窑乡云南省丽江市宁蒗彝族自治县河东区东新街道青海省果洛藏族自治州西藏阿里地区日土县四川省凉山彝族自治州西昌市静海区西翟庄镇黑龙江省伊春市金林区陕西省汉中市南郑区福建省莆田市城厢区湖北省宜昌市夷陵区崇左市宁明县和田地区武清区汊沽港镇北海市海城区朝阳区小关街道甘肃省天水市秦州区

售后服务上门服务电话，智能分配单据：解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络

多智能体协作对于解决复杂问题虽然具有巨大优势，但是其架构本质上易出现错误传播，因为由不正确的工作流生成或单智能体幻觉输出引起的错误会沿着协作链蔓延，影响最终结果。

从 CAMEL、AutoGen、MetaGPT 等依赖人工配置的多智能体框架，到 ADAS、AFlow、AgentSquare、AgentSwift 等自动化工作流生成系统，多智能体技术正在从 “人工设计” 迈向 “自主优化”。然而，现有方法大多基于启发式策略搜索，其性能上限往往受到搜索策略与规则设计的限制。如何让智能体能够自主发现更优协作模式，仍然是推动多智能体系统迈向更高智能水平的关键挑战。

为此，openJiuwen 研究人员提出了 MANGO（Multi-Agent Network Gradient Optimization）框架。其方法设计归属于华为 JiuwenSwarm 的研究范畴。在 AgentOS 统一执行与调度底座支撑下，该框架一体化建模多智能体系统结构、任务分解与路径选择，实现端到端协作优化，并在整体工作流层面对协作路径与执行策略进行联合优化，从而提升系统稳定性与效率。

核心特征包括：端到端的强化学习优化保证全局目标达成，文本梯度更新使局部节点能灵活适应动态任务，以及节点跳跃机制在保持准确性的同时显著降低计算开销。这种集成设计体现了在复杂任务中多智能体协作的工程化思想，为提升协作效率和系统稳定性提供了可行方案。

论文标题：Reinforced Collaboration in Multi-Agent Flow Networks作者信息：Zheng Wang, Yuang Liu, Yangkai Ding作者单位：华为泊松实验室、维纳研究所（NWRC）论文链接：https://arxiv.org/abs/2605.12943仓库链接：https://github.com/openJiuwen-ai/agent-store/tree/main/community/mango

核心思路

整体框架采用数据驱动策略，利用历史经验通过过程监督强化学习动态学习工作流结构。同时，局部梯度信号被融入文本梯度进行反向传播，从而实现框架的持续迭代优化。

MANGO 的构建主要包括三个步骤：1）构建流网络，2）基于强化学习选择最优路径，3）利用文本梯度优化节点内的提示词。此外，框架引入节点跳跃机制，在保证性能的前提下显著降低计算开销。

图 1：MANGO 整体框架。该框架通过策略梯度联合优化路径选择，并通过文本梯度联合优化提示，跳过某些节点以降低计算成本。

1. 流网络构建

工作流中的每个行动被迭代地插入到流网络中。该过程确保相邻操作不会放置在同一个节点中，以保持工作流转换的完整性。后续每个行动的插入都基于其与现有节点集的相似度，相似度定义为该行动与节点内任意节点之间的向量相似度。

如果相似度低于阈值，则在网络中创建一个新节点；反之，将其插入到相似度最高的现有节点中。每个节点都分配一个不同的大模型，代表一个具有特定大模型的智能体，以形成一个多智能体系统。

2. 基于强化学习的边优化

系统给定一个基于历史工作流构建的流程网络后，目标则是从源点到汇点选择相应的智能体来解决复杂任务分解出的子任务。MANGO 利用强化学习来优化流网络中的边选择。当前节点对于其邻边的选择可以被看作马尔可夫决策过程：

1) 状态（State）：当前节点的问题内容与角色描述和邻节点的内容与角色描述交替计算得出的向量相似度。

2) 行动（Action）：选择当前节点的不同邻边。

3) 奖励（Reward）：综合考虑过程层面的正确性和最终任务表现，两者基于一个系数分配比例。

4) 策略（Policy）：使用 REINFORCE 算法优化策略网络，以最大化预期累积奖励。

3. 基于文本梯度的节点优化

另一方面，对于每一个节点，其包括的任务内容与角色描述都会同时基于最终任务结果（全局信号）和中间执行反馈（局部信号），利用文本梯度来更新提示词，确保当工作流路径较长时，梯度信号不会在较早的节点消失。

强化学习边优化与文本梯度节点优化的相互依赖性：更新节点的提示词会修改状态的内容（包括角色描述和计划步骤），这将会直接影响路径选择策略；反之，采样路径决定了流网络中哪些节点的提示词会被实际更新。这就在参数更新和路径选择之间形成了一个相互依赖的优化循环。

4. 节点跳跃

优化工作流路径的计算成本很高，这主要是因为需要重复调用大模型来更新每个节点的提示词。经验表明，一旦某个节点的提示信息得到充分优化，进一步更新带来的收益就微乎其微了。

为了解决这个问题，研究团队引入了一种跳跃机制，该机制在优化过程中选择性地跳过某些节点，从而降低计算开销。如果跳过一个或多个节点，框架则会使用训练工作流中的步骤来填充它们对应的输出。这样做的目的是重用真实中间步骤来监督被跳过的节点，从而在不进行额外动态生成的情况下提高训练效率和稳定性。该跳跃机制通过一个 Skip-k 参数控制，每次可跳跃最多 k 步（无跳跃时为 Skip-1）。

视频链接：https://mp.weixin.qq.com/s/Eleh8ZlAVYpgV_4MCq_2vQ

为了展示 MANGO 在实际业务中的应用潜力，研究团队还提供了一个金融业务场景的演示 Demo，通过多智能体协作处理复杂流程，具体演示了框架在实际中如何优化工作流路径和节点提示词，从而提升整体效率和准确性。

实验数据

为了评估 MANGO 框架在不同领域的表现，研究团队选择了 7 个数据集，包括代码编写任务（HumanEval、MBPP）、数学解题（MATH500、GSM8K）、文章阅读理解（DROP）以及多领域问题回答（MMLU、GPQA-Diamond）。由于框架在构图与训练过程中需要借助以往成功的工作流，团队基于训练集的问题生成了相关工作流，以支持正确解答，并将这些工作流与对应问题一并保存在数据集中。

实验中，论文主要以 GPT-4o-mini 作为基础大模型，评估指标包括 HumanEval 和 MBPP 的 pass@1、MATH、GSM8K、MMLU 和 GPQA 的 Accuracy，以及 DROP 的 F1-score。

实验结果

表 1：以 GPT-4o-mini 为基础大模型的有效性结果。最佳结果以绿色背景的粗字体显示，最佳基线结果以下划线标出。

1）与基线方法的有效性比较

总体而言，MANGO 在所有领域均表现最佳，超越了最佳基线模型，例如，在 MATH500 任务上的准确率比 MaAS 提升了 12.8%，在 DROP 任务上的 F1-score 比 AFlow 提升了 5.1%。这些提升源于 MANGO 从过往工作流中学习，并联合优化工作流生成和单智能体执行，即使在 Skip-2 设置下也保持领先优势。

表 2：MANGO 与基线方法在数据集 MATH500 上的效率比较

2）效率和训练 / 推理成本

基于基础大模型 GPT-4o-mini 和数据集 MATH500，MANGO 结合节点跳跃技术实现了最佳成本效益，在保持最高准确率的同时，降低了 token 使用量、API 成本和运行时间。在流网络遍历过程中启用三节点跳跃（Skip-3），MANGO 的 API 成本最低（每百万个 prompt token 0.15 美元，每百万个 completion token 0.6 美元）。与 MaAS 相比，训练时间缩短了 41.5%，推理时间缩短了 47.4%，并保持了最高的准确率。结果表明，所提出的算法可以极大程度降低成本。

MANGO，是一个数据驱动的框架，它构建一个流程网络，集成强化学习、文本梯度和跳跃机制以实现高效优化。该框架针对多智能体协作中的误差传播，工作流生成和单智能体执行中的误差作出了相应改进，为多智能体系统设计提供了新的思路。

近日监管部门透露最新动态解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络

多智能体协作对于解决复杂问题虽然具有巨大优势，但是其架构本质上易出现错误传播，因为由不正确的工作流生成或单智能体幻觉输出引起的错误会沿着协作链蔓延，影响最终结果。

从 CAMEL、AutoGen、MetaGPT 等依赖人工配置的多智能体框架，到 ADAS、AFlow、AgentSquare、AgentSwift 等自动化工作流生成系统，多智能体技术正在从 “人工设计” 迈向 “自主优化”。然而，现有方法大多基于启发式策略搜索，其性能上限往往受到搜索策略与规则设计的限制。如何让智能体能够自主发现更优协作模式，仍然是推动多智能体系统迈向更高智能水平的关键挑战。

为此，openJiuwen 研究人员提出了 MANGO（Multi-Agent Network Gradient Optimization）框架。其方法设计归属于华为 JiuwenSwarm 的研究范畴。在 AgentOS 统一执行与调度底座支撑下，该框架一体化建模多智能体系统结构、任务分解与路径选择，实现端到端协作优化，并在整体工作流层面对协作路径与执行策略进行联合优化，从而提升系统稳定性与效率。

核心特征包括：端到端的强化学习优化保证全局目标达成，文本梯度更新使局部节点能灵活适应动态任务，以及节点跳跃机制在保持准确性的同时显著降低计算开销。这种集成设计体现了在复杂任务中多智能体协作的工程化思想，为提升协作效率和系统稳定性提供了可行方案。

论文标题：Reinforced Collaboration in Multi-Agent Flow Networks作者信息：Zheng Wang, Yuang Liu, Yangkai Ding作者单位：华为泊松实验室、维纳研究所（NWRC）论文链接：https://arxiv.org/abs/2605.12943仓库链接：https://github.com/openJiuwen-ai/agent-store/tree/main/community/mango

核心思路

整体框架采用数据驱动策略，利用历史经验通过过程监督强化学习动态学习工作流结构。同时，局部梯度信号被融入文本梯度进行反向传播，从而实现框架的持续迭代优化。

MANGO 的构建主要包括三个步骤：1）构建流网络，2）基于强化学习选择最优路径，3）利用文本梯度优化节点内的提示词。此外，框架引入节点跳跃机制，在保证性能的前提下显著降低计算开销。

图 1：MANGO 整体框架。该框架通过策略梯度联合优化路径选择，并通过文本梯度联合优化提示，跳过某些节点以降低计算成本。

1. 流网络构建

工作流中的每个行动被迭代地插入到流网络中。该过程确保相邻操作不会放置在同一个节点中，以保持工作流转换的完整性。后续每个行动的插入都基于其与现有节点集的相似度，相似度定义为该行动与节点内任意节点之间的向量相似度。

如果相似度低于阈值，则在网络中创建一个新节点；反之，将其插入到相似度最高的现有节点中。每个节点都分配一个不同的大模型，代表一个具有特定大模型的智能体，以形成一个多智能体系统。

2. 基于强化学习的边优化

系统给定一个基于历史工作流构建的流程网络后，目标则是从源点到汇点选择相应的智能体来解决复杂任务分解出的子任务。MANGO 利用强化学习来优化流网络中的边选择。当前节点对于其邻边的选择可以被看作马尔可夫决策过程：

1) 状态（State）：当前节点的问题内容与角色描述和邻节点的内容与角色描述交替计算得出的向量相似度。

2) 行动（Action）：选择当前节点的不同邻边。

3) 奖励（Reward）：综合考虑过程层面的正确性和最终任务表现，两者基于一个系数分配比例。

4) 策略（Policy）：使用 REINFORCE 算法优化策略网络，以最大化预期累积奖励。

3. 基于文本梯度的节点优化

另一方面，对于每一个节点，其包括的任务内容与角色描述都会同时基于最终任务结果（全局信号）和中间执行反馈（局部信号），利用文本梯度来更新提示词，确保当工作流路径较长时，梯度信号不会在较早的节点消失。

强化学习边优化与文本梯度节点优化的相互依赖性：更新节点的提示词会修改状态的内容（包括角色描述和计划步骤），这将会直接影响路径选择策略；反之，采样路径决定了流网络中哪些节点的提示词会被实际更新。这就在参数更新和路径选择之间形成了一个相互依赖的优化循环。

4. 节点跳跃

优化工作流路径的计算成本很高，这主要是因为需要重复调用大模型来更新每个节点的提示词。经验表明，一旦某个节点的提示信息得到充分优化，进一步更新带来的收益就微乎其微了。

为了解决这个问题，研究团队引入了一种跳跃机制，该机制在优化过程中选择性地跳过某些节点，从而降低计算开销。如果跳过一个或多个节点，框架则会使用训练工作流中的步骤来填充它们对应的输出。这样做的目的是重用真实中间步骤来监督被跳过的节点，从而在不进行额外动态生成的情况下提高训练效率和稳定性。该跳跃机制通过一个 Skip-k 参数控制，每次可跳跃最多 k 步（无跳跃时为 Skip-1）。

视频链接：https://mp.weixin.qq.com/s/Eleh8ZlAVYpgV_4MCq_2vQ

为了展示 MANGO 在实际业务中的应用潜力，研究团队还提供了一个金融业务场景的演示 Demo，通过多智能体协作处理复杂流程，具体演示了框架在实际中如何优化工作流路径和节点提示词，从而提升整体效率和准确性。

实验数据

为了评估 MANGO 框架在不同领域的表现，研究团队选择了 7 个数据集，包括代码编写任务（HumanEval、MBPP）、数学解题（MATH500、GSM8K）、文章阅读理解（DROP）以及多领域问题回答（MMLU、GPQA-Diamond）。由于框架在构图与训练过程中需要借助以往成功的工作流，团队基于训练集的问题生成了相关工作流，以支持正确解答，并将这些工作流与对应问题一并保存在数据集中。

实验中，论文主要以 GPT-4o-mini 作为基础大模型，评估指标包括 HumanEval 和 MBPP 的 pass@1、MATH、GSM8K、MMLU 和 GPQA 的 Accuracy，以及 DROP 的 F1-score。

实验结果

表 1：以 GPT-4o-mini 为基础大模型的有效性结果。最佳结果以绿色背景的粗字体显示，最佳基线结果以下划线标出。

1）与基线方法的有效性比较

总体而言，MANGO 在所有领域均表现最佳，超越了最佳基线模型，例如，在 MATH500 任务上的准确率比 MaAS 提升了 12.8%，在 DROP 任务上的 F1-score 比 AFlow 提升了 5.1%。这些提升源于 MANGO 从过往工作流中学习，并联合优化工作流生成和单智能体执行，即使在 Skip-2 设置下也保持领先优势。

表 2：MANGO 与基线方法在数据集 MATH500 上的效率比较

2）效率和训练 / 推理成本

基于基础大模型 GPT-4o-mini 和数据集 MATH500，MANGO 结合节点跳跃技术实现了最佳成本效益，在保持最高准确率的同时，降低了 token 使用量、API 成本和运行时间。在流网络遍历过程中启用三节点跳跃（Skip-3），MANGO 的 API 成本最低（每百万个 prompt token 0.15 美元，每百万个 completion token 0.6 美元）。与 MaAS 相比，训练时间缩短了 41.5%，推理时间缩短了 47.4%，并保持了最高的准确率。结果表明，所提出的算法可以极大程度降低成本。

MANGO，是一个数据驱动的框架，它构建一个流程网络，集成强化学习、文本梯度和跳跃机制以实现高效优化。该框架针对多智能体协作中的误差传播，工作流生成和单智能体执行中的误差作出了相应改进，为多智能体系统设计提供了新的思路。


· 不要用力挤压、摩擦火疖子，也尽量不要自行抽脓治疗；
华体汇电竞-华体汇(中国) 华体汇电竞-华体汇(中国)-性a视频官方版-性a视频最新版N.9.28.70-潇湘书院

华体汇电竞-华体汇(中国)

男子连鞋都没脱就下水救人
首页>>名记：尼克斯对交易迪文岑佐感到沮丧
男子连鞋都没脱就下水救人

华体汇电竞-华体汇(中国):男子连鞋都没脱就下水救人

华体汇电竞-华体汇(中国):「活动」首次登录送19元红包

94.58MB
版本{版本}
下载APK高速下载
下载再解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络安装你想要的应用 更方便 更快捷 发现更多
喜欢32%好评(30人)
评论95
解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络截图0解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络截图1解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络截图2解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络截图3解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络截图4
详细信息
应用介绍
?第一步：访问《解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络》官网?首先,打开您的浏览器,输入《解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络》。您可以通过搜索引擎搜索或直接输入网址来访问.?
?第二步：点击注册按钮?一旦进入《解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络》网站官网，您会在页面上找到一个醒目的注册按钮。点击该按钮，您将被引导至注册页面。??
?第三步：填写注册信息 ?在注册页面上，您需要填写一些必要的个人信息来创建《解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络》网站账户。通常包括用户名、密码、电子邮件地址、手机号码等。请务必提供准确完整的信息，以确保顺利完成注册。?
?第四步：验证账户?填写完个人信息后，您可能需要进行账户验证。《解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络》网站会向您提供的电子邮件地址或手机号码发送一条验证信息，您需要按照提示进行验证操作。这有助于确保账户的安全性，并防止不法分子滥用您的个人信息。?
?第五步：设置安全选项?《解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络》网站通常要求您设置一些安全选项，以增强账户的安全性。例如，可以设置安全问题和答案，启用两步验证等功能。请根据系统的提示设置相关选项，并妥善保管相关信息，确保您的账户安全。?
?第六步：阅读并同意条款?在注册过程中，《解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络》网站会提供使用条款和规定供您阅读。这些条款包括平台的使用规范、隐私政策等内容。在注册之前，请仔细阅读并理解这些条款，并确保您同意并愿意遵守。??
?第七步：完成注册?一旦您完成了所有必要的步骤，并同意了《解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络》网站的条款，恭喜您！您已经成功注册了《解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络》网站账户。现在，您可以畅享《解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络》网站提供的丰富体育赛事、刺激的游戏体验以及其他令人兴奋!?
【联系华体汇(中国)】
客服热线
加载更多
版本更新
{版本}
解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络

华体汇电竞-华体汇(中国): 解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络类似软件

相关攻略
包含 饿了么 的应用集
友情链接
  • 中阿诗人羊城共话诗情 科技与文学交织启新程
    2026-06-16 20:32:20
  • 我国成功发射千帆极轨09组卫星
    2026-06-16 20:32:20
  • 为什么杜阮是最极致的摩托小镇
    2026-06-16 20:32:20
安卓手机网上最贴心的Android软件应用平台!版权所有：解锁Agent Swarm新潜力，openJiuwen又一力作：多智能体流网络有限华体汇电竞-华体汇(中国)备案号：京ICP备17065190号-1