Zespół badaczy opracował PRISM, innowacyjną metodę do uczenia się optymalnych topologii komunikacji w systemach wieloagentowych opartych na LLM. Problem, który rozwiązuje, dotyczy generowania schematów współpracy między agentami - które z nich powinny uczestniczyć w rozwiązaniu zadania i jak powinny się komunikować.
Dotychczasowe podejścia uczyły się generować topologie z zbiorów wykonywanych grafów, ale skupiały się tylko na tym, które topologie działają, nigdy nie rankując je. To prowadziło do tego, że generatory driftowały w stronę topologii najpowszechniej widniejących w zbiorze treningowym, zamiast tych najlepiej pasujących do konkretnego zadania. PRISM rozwiązuje ten problem poprzez koncepcję uczenia się z przywilejeowaną informacją - podczas treningu nauczyciel ma dostęp do alternatywnych siostrzanych grafów, które również prawidłowo rozwiązały zapytanie. Te dodatkowe sygnały nie są dostępne w fazie wdrożenia, co zmusza uczeń do uogólniania się lepiej.
Metoda opiera się na specjalnym low-rank oddedziale inicjalizowanym zerami i dopasowaniu decyzji na trajektoriach próbkowanych przez studenta. Badania na sześciu różnych benchmarkach wykazały, że PRISM konsekwentnie przewyższa wszystkie dotychczasowe podejścia do projektowania topologii. Kod metody został udostępniony przez autorów, co może przyspieszyć badania nad lepszą współpracą wieloagentowych systemów opartych na LLM.