论文用共享冻结条件预测器统一多类智能体决策并报告准确率提升。
资讯摘要
论文提出解耦预测式决策（DPDM）架构，将异构智能体决策统一为条件预测：语言模型编码当前与历史记录的语义表示，共享的预训练条件预测器据此预测任务定义的目标，部署证据无需更新任何神经参数即可实例化具体预测。作者报告，以 Qwen3.5-27B 为语义编码器、单个冻结的 LimiX-2 预测器服务五类任务，在 50 个基准上平均准确率由少样本提示的 78.80% 提升至 84.92%。
要点速读
- DPDM 将工具判断、候选偏好与推理评估统一为证据加查询的接口，再由决策规则把预测映射为选择。
- 作者报告 50 个基准平均准确率从 78.80% 升至 84.92%，在相同历史与查询下为 82.33%。
- 在 ToolPRMBench 的 BFCL 与 ToolSandbox 任务上，作者报告绝对准确率分别提升 34.26% 和 28.87%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。