शीर्षक: DeAR: कैसे विकेंद्रीकृत एजेंट बिना केंद्रीय समन्वयक के सामूहिक रूप से तर्क करते हैं
नया DeAR फ्रेमवर्क एजेंट तर्क को पीयर-टू-पीयर आधार पर ले जाता है, केंद्रीकृत रूटिंग की बाधाओं को समाप्त करता है। क्षमताओं से जुड़ाव और माइंड मैप नेविगेशन के माध्यम से, यह नौ बेंचमार्क पर पिछले तरीकों को लगातार पीछे छोड़ देता है।

परिचय
क्लासिक मल्टी-एजेंट सिस्टम आम तौर पर एक "डिस्पैचर" के आसपास बनाया जाता है: यह तय करता है कि कौन से एजेंट को एक कार्य संभालना चाहिए, प्रतिक्रियाओं को इकट्ठा करना चाहिए और परिणाम पैदा करना चाहिए। यह दृष्टिकोण विशेष रूप से सरल परिदृश्यों में अच्छी तरह से काम करता है, लेकिन अधिक जटिल अनुरोध, अधिक ध्यान देने योग्य कमजोरियों बन जाते हैं। केंद्रीय नोड एक bottleneck में बदल जाता है: रूटिंग धीमा हो जाता है, एजेंट भूमिकाएं अग्रिम रूप से तय की जाती हैं, और सिस्टम अपरंपरागत मल्टीमोडल डेटा के अनुकूल होने के लिए संघर्ष करता है।
हाल ही में प्रिप्रिंट, डीएआर, एक अलग पथ का प्रस्ताव करता है - पूरी तरह से विकेन्द्रीकृत बातचीत। एजेंट अपने आप में बातचीत करते हैं, एक एकल समन्वयक के बिना, और खुद के लिए निर्णय लेते हैं जो क्या के लिए जिम्मेदार है। विचार सहयोग को अधिक लचीला और लचीला बनाना है - और, परिणामों से जूझना, यह काम करता है।

क्यों केंद्रीयकरण बाधा एजेंट
परिचित "रूटर + निष्पादक" योजना तार्किक दिखता है, लेकिन इसमें व्यवस्थित सीमाएं हैं। सभी अनुरोध एक एकल नोड के माध्यम से गुजरते हैं, और इसके थ्रूपुट पूरे सिस्टम की गति को निर्धारित करता है। यदि एक जटिल अनुरोध आता है जिसके लिए कई विशेष एजेंटों के संयुक्त कार्य की आवश्यकता होती है, तो केंद्रीय प्लानर को जल्दी से पता होना चाहिए कि किस हिस्से को किसको सौंपना है। व्यवहार में, यह अक्सर कुछ एजेंटों को निष्क्रिय होने की ओर जाता है जबकि दूसरों को अतिभारित किया जाता है।
एक अन्य समस्या भूमिकाओं की स्थिर प्रकृति है। एक एजेंट जिसे "text-only" के रूप में सौंपा गया है, एक छवि के साथ मदद करने में सक्षम नहीं होगा, भले ही इसका अंतर्निहित मॉडल अधिक सक्षम हो। कठोर सीमाएं सिस्टम को अपनी वास्तविक क्षमता का उपयोग करने से रोकती हैं।
डीएआर इन सीमाओं से दूर जाने की कोशिश करता है। एक केंद्रीय प्लानर के बजाय, एजेंट सहकर्मी से सहकर्मी मोड में संवाद करते हैं। प्रत्येक प्रतिभागी स्वतंत्र रूप से आकलन करता है कि इसकी क्षमताओं वर्तमान अनुरोध को कितनी अच्छी तरह फिट करती है और अपने आप को यह तय करती है कि अगले तर्क को आगे बढ़ाने के लिए किस दिशा में है।
कैसे काम करता है
रूपरेखा के मूल में तीन तंत्र होते हैं जो एक साथ स्वायत्त समन्वय को सक्षम करते हैं।
क्षमता बाध्यकारी
पहला कदम विकेन्द्रीकृत क्षमता बाइंडिंग है। प्रत्येक एजेंट को अनुरोध प्राप्त होता है और "इस पर मेष": यह आकलन करता है कि यह वास्तव में क्या कर सकता है और कितने प्रासंगिक हैं वर्तमान कार्य के लिए। कोई बाहरी प्लानर भूमिकाओं को असाइन नहीं करता है - विशिष्ट अनुरोध के आधार पर विशेषज्ञता स्वाभाविक रूप से उभरती है। यह प्रणाली को अधिक लचीला बनाता है: एक ही एजेंट एक मामले में पाठ के साथ काम कर सकता है और एक छवि का विश्लेषण करने में मदद कर सकता है।
विचार नक्शा नेविगेशन
दूसरा तंत्र मानचित्र नेविगेशन माना जाता है। एक बार जब एक एजेंट ने अपनी जिम्मेदारी का क्षेत्र परिभाषित किया है, तो उसे यह समझने की आवश्यकता है कि कौन अगले और कैसे के साथ बातचीत करना है। यादृच्छिक रूप से हर किसी को संदेश देने के बजाय, एजेंट विचारों और तर्क के लक्षित "मैप" का निर्माण करते हैं, जिसके साथ वे प्रासंगिक प्रतिभागी की ओर बढ़ते हैं। यह दृष्टिकोण अनावश्यक यातायात को कम करता है और सहयोग को अर्थपूर्ण बनाता है: प्रत्येक कदम सिस्टम को केवल गतिविधि की उपस्थिति बनाने के बजाय एक उत्तर के करीब लाता है।
टोपोलॉजी अद्यतन
अंत में, फ्लाई मामलों पर गलतियों को सही करने की क्षमता। डीएआर में एक टोपोलॉजी अपडेट शामिल है - एक अनुकूली तंत्र जो एजेंटों के बीच कनेक्शन को संशोधित करता है यदि चयनित तर्क पथ एक मृत अंत को मारता है। सिस्टम समस्या को नोटिस करने के लिए केंद्रीय नोड की प्रतीक्षा नहीं करता है; यह फ्लाई पर अपनी खुद की वास्तुकला को पुनर्संरचना करता है।

परीक्षण क्या दिखाया
लेखकों ने डीएआर का मूल्यांकन नौ विविध बेंचमार्कों पर किया जिसमें मल्टीमोडल तर्क और टेक्स्ट-आधारित प्रश्न जवाब शामिल थे। सभी मामलों में, विकेन्द्रीकृत ढांचा लगातार हाल के बेसलाइन तरीकों को बेहतर बनाता है।
लाभ विशेष रूप से उन कार्यों पर ध्यान देने योग्य है जिन्हें गहन ज्ञान उपयोग और विभिन्न विशेषज्ञता के संयुक्त प्रयास की आवश्यकता होती है। यह मुख्य थीसिस की पुष्टि करता है: जब एजेंट स्वतंत्र रूप से एक दूसरे से सीधे जुड़ सकते हैं, तो तर्क सटीकता में सुधार होता है।

निष्कर्ष
डीएआर एजेंट सिस्टम के लिए एक अधिक प्राकृतिक और लचीला वास्तुकला की ओर एक कदम है। एक कठोर पदानुक्रम के बजाय - एक स्वायत्त नेटवर्क जहां प्रत्येक प्रतिभागी अपनी क्षमताओं को समझता है और यह चुनता है कि कार्य को हल करने में कैसे योगदान दिया जाए। यह दृष्टिकोण न केवल बोतलबंदी की समस्या को हटा देता है बल्कि सिस्टम को अप्रत्याशित परिदृश्यों के लिए तैयार करता है जिन्हें स्थिर भूमिका असाइनमेंट के साथ अनुमान नहीं लगाया जा सकता है।
अब के लिए, फ्रेमवर्क एक अनुसंधान परियोजना के रूप में मौजूद है: स्रोत कोड प्रकाशन के बाद जारी होने का वादा किया जाता है। लेकिन यह पहले से ही स्पष्ट है कि विकेन्द्रीकृत एजेंट सहयोग एक आशाजनक दिशा है, और डीएआर अपने आकर्षक उदाहरणों में से एक की तरह दिखता है।
अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
Toollery: बिना फ़ाइन-ट्यूनिंग के, दसियों हज़ार विकल्पों में से LLM एजेंटों के लिए टूल चुनना
Toollery कौशलों और टूल्स के विवरणों पर एक खोज इंडेक्स बनाता है और अनुरोध आने पर मॉडल को केवल सीमित उम्मीदवारों का सेट भेजता है। दसियों हज़ार फ़ंक्शनों तक के आकार वाली लाइब्रेरी पर किए गए प्रयोगों में, यह तरीका निश्चित top-K पर चयन की गुणवत्ता बनाए रखने में सक्षम है, हालांकि अंतिम प्रभाव लोड प्रोफ़ाइल और प्रदाता की कैशिंग पर निर्भर करता है।
11 नवम्बर 2026
डैशबोर्ड विश्लेषण में GUI एजेंटों का चरणबद्ध निदान: DashAct बेंचमार्क
DashAct प्रस्तुत है—348 मानव-सत्यापित ट्रैजेक्टरी वाला एक बेंचमार्क, जो इंटरैक्टिव डैशबोर्ड के साथ GUI एजेंटों के काम को तीन चरणों और चार दृश्य स्थितियों में विभाजित करता है। नतीजे बताते हैं कि एजेंटों को कार्रवाइयों का अनुमान लगाने और दृश्य लक्ष्यों से जुड़ने में लगातार समस्याएँ आती हैं, साथ ही उनकी प्रतिक्रियाएँ संदर्भ और स्थानिक समर्थन पर निर्भर करती हैं।
11 नवम्बर 2026
WILSON: पैथोमॉर्फोलॉजिकल विश्लेषण और निष्कर्ष तैयार करने के लिए रोगी के आवर्धनों और स्लाइडों का संयोजन
यह प्रीप्रिंट WILSON प्रस्तुत करता है—एक vision-language मॉडल, जो केवल एक अलग “सर्वश्रेष्ठ” स्लाइड के बजाय पूरे स्लाइडों और एक ही मरीज के अलग-अलग आवर्धन पर लिए गए नमूनों की छवियों को एन्कोड करता है। किसी विशिष्ट कार्य के लिए अतिरिक्त प्रशिक्षण के बिना, यह कई मेट्रिक्स पर विशेषीकृत और अधिक बड़े स्लाइड-मॉडलों से बेहतर प्रदर्शन करता है, वह भी काफ़ी कम कंप्यूटेशनल लागत पर; इसके नैदानिक विवरणों को पैथोलॉजिस्टों से अधिक ऊँची रेटिंग मिली।
11 नवम्बर 2026