面向动态推理的修订感知独立智能体图

传统推理协议呈现一个固定且预先选定的任务，因此无法检验智能体是否能够传播相关更新、保留不受影响的工作，或重建历史任务绑定关系。为此，我们研究动态任务路由：在这一 setting 中，事件流会修订任务绑定关系，系统必须先在每个查询时刻选择有效的文档版本，然后对其进行求解。为研究这一问题，我们重新利用六个广泛使用的基准：MMLU、MMLU-Pro、MedMCQA、MATH、GPQA 和 HumanEval，将其转换为包含 31,119 个动态 episode 的数据集，其中包括 373,428 个按时间分类的查询。这一 setting 揭示了一个核心权衡：每次事件发生后重新计算会浪费工作，而不加防护地复用结果则会返回过时的结论。我们提出修订感知独立智能体图（RIAG），这是一种有界多智能体策略，将确定性的时间解析与任务推理分离开来。RIAG 按不可变的文档身份缓存解决方案，为每个新任务启动两次彼此独立且不公开的尝试，并有条件地调用审计与修复流程，每个文档版本最多调用四次。在该数据集上，同质 RIAG 以每个查询 0.62 次调用的代价，实现了 54.24% 的路由与答案联合准确率；相比之下，最强对比方法以每个查询 18.00 次调用实现了 32.22% 的准确率。异质 RIAG 则以每个查询 0.63 次调用达到 49.78% 的准确率。