TL;DR
- چکیده:.
- همانطور که سیستمهای چندعاملی مبتنی بر مدل زبان بزرگ (LLM) از آزمایشی آزمایشی به اکوسیستمهای پیچیده و.
- پایدار تکامل مییابند،.
چه اتفاقی افتاد
چکیده:. همانطور که سیستمهای چندعاملی مبتنی بر مدل زبان بزرگ (LLM) از آزمایشی آزمایشی به اکوسیستمهای پیچیده و.
پایدار تکامل مییابند،. محدودیتهای ارتباط مستقیم عامل به عامل بهطور فزایندهای آشکار شدهاند.
معماریهای کنونی از بافت پراکنده، توهمات تصادفی، مرزهای امنیتی سفت و سخت و مدیریت توپولوژی ناکارآمد رنج میبرند. این مقاله گرههای پارچه شناختی (CFN) را معرفی میکند،.
یک لایه میانافزار جدید که یک «پارچه شناختی» همهجانبه بین عوامل ایجاد میکند. برخلاف صفهای پیام سنتی یا مشهای سرویس، CFNها صرفاً مکانیزمهای عبوری نیستند.
آنها واسطههای فعال و هوشمندی هستند. مرکز اصلی این معماری،.
ارتقای حافظه از ذخیره سازی ساده به یک بستر کاربردی فعال است که چهار قابلیت حیاتی دیگر را. ارائه میدهد:.
انتخاب توپولوژی،. زمینه سازی معنایی،.
سیاست امنیتی. اجرا و تحول سریع ما پیشنهاد میکنیم که هر یک از این توابع توسط ماژولهای یادگیری با استفاده.
از یادگیری تقویتی (RL) و الگوریتمهای بهینهسازی برای بهبود عملکرد سیستم به صورت پویا اداره شوند. با رهگیری،.
تجزیه و تحلیل و بازنویسی ارتباطات بین عاملی،. Cognitive Fabric تضمین میکند که عوامل فردی سبک باقی میمانند در حالی که اکوسیستم به انسجام،.
ایمنی و تراز معنایی دست مییابد. ما اثربخشی CFN را بر روی مجموعه دادههای HotPotQA و MuSiQue در یک محیط چندعاملی ارزیابی میکنیم.
و نشان میدهیم که CFN عملکرد را بیش از 10% در هر دو مجموعه داده نسبت به ارتباط. مستقیم عامل به عامل بهبود میبخشد.
سیستمهای چندعاملی (cs. MA)؛ شبکه و معماری اینترنت (cs.
NI) استناد بهعنوان: (یا v1 [cs. MA] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. چارلز فلمینگ [مشاهده ایمیل] [v1] جمعه،.
3 آوریل 2026،. 19:.
58:. 01 UTC (93 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.