搜索
多智能体系统（Multi-Agent Systems，MAS）展示了令人印象深刻的能力：一个模型负责提出方案，另一个模型进行批评，还有模型承担投票、规划或执行。通过角色分工和多轮协作，系统能够解决单个模型难以稳定完成的数学推理、代码生成和知识问答任务。
本文发现图生视频（I2V）模型天然适合重构动态交互过程，并提出 SCPE（Self-Correcting Process Editing） 多智能体系统自纠错框架：利用视频生成过程暴露失败原因，再通过分析、反思和工具书更新迭代增强提示，使 I2V 模型在复杂 HOI 编辑中显著提升交互准确性与推理能力。
2026 年 1 月，他作为首席科学家创立了原力引擎（UniForce AI）公司，试图用生成式仿真、智能控制和多智能体系统解决多物理场仿真与强耦合控制问题，并率先从可控核聚变这一工程领域最困难的问题切入。
来自南京大学 NLP 实验室的 ICML 2026 论文 Recognize Your Orchestrator: An Entropy Dynamics Perspective for LLM Multi-Agent Systems 指出：在当前主流的 Orchestrator-Executor 多智能体架构中，系统失败往往并不首先来自某个执行器不会干活，
华大智造子公司涌生智能×上海人工智能实验室，联合发布两项新成果：ProtoPilot：一款由真实实验室场景驱动的自进化多智能体系统；BioLab Bench：生命科学领域首个从用户需求到设备可执行的全流程Agent评测体系。
多智能体系统正在从学界走向业界。 在 Coding、Research 等真实场景里，越来越多系统不再只依赖单个 agent，而是由多个 Agent 分工协作：有人负责规划，有人负责检索，有人调用工具，
基于视觉语言模型（VLM）的多智能体系统（MAS）正成为复杂多模态协作的核心方案，却被一个致命痛点死死卡住：多智能体视觉幻觉滚雪球——单个智能体的视觉误判通过纯文本信息流逐级放大，早期细微错误最终演变成系统性崩溃。
在多智能体系统的想象中，我们常常看到这样一幅图景： 多个 AI 智能体分工协作、彼此配合，像一个高效团队一样攻克复杂任务，展现出超越单体智能的 “集体智慧”。
静态编排 VS 动态编排，谁是多agent系统最优解？通常来说，面对简单问题，采用react模式的单一agent就能搞定。可遇到复杂问题，单一agent就会立刻出现包括但不限于以下问题：串行执行效率低：无法同时完成并行的子步骤（如 “同时爬取 A、B 两个网站的数据”）。
就在最近，由耶鲁大学唐相儒、王昱婕，上海交通大学徐望瀚，UCLA万冠呈，牛津大学尹榛菲，Eigen AI金帝、王瀚锐等团队联合开发的Eigen-1多智能体系统实现了历史性突破