# DeLM：去中心化多智能体系统框架

- 来源：HuggingFace Daily Papers（社区热门论文）
- 发布时间：2026-06-09 08:00
- AIHOT 分数：73
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmq8b9pvl00u6slldy8wae1i4
- 原文链接：https://arxiv.org/abs/2606.10662

## 精选理由

去中心化MAS把中心调度换成共享黑板，SWE-bench一口气提10.5个点还省一半成本，这个思路值得所有搞agent的团队认真看。

## AI 摘要

DeLM是一种去中心化多智能体系统框架，通过并行智能体、共享已验证上下文和任务队列避免中央控制器瓶颈。智能体异步认领子任务、读取累计进展、执行局部推理并写回紧凑的已验证更新。在SWE-bench Verified上，DeLM在Avg.@1、Pass@2和Pass@4指标中均取得最佳性能，相比最强基线提升最多10.5个百分点，每任务成本降低约50%。在LongBench-v2多文档问答上，DeLM在四个前沿模型家族中取得最高平均准确率，提升最多5.7个百分点。代码已开源。

## 正文

多智能体系统（MAS）能够通过将复杂问题分解为并行子任务，在测试时扩展大语言模型的推理能力。然而，现有的大多数MAS依赖于集中式编排，即由一个主智能体分配任务、收集输出并合并结果。随着子任务数量增加，该控制器成为通信和集成的瓶颈。我们提出去中心化语言模型（DeLM），这是一种通过并行智能体、共享已验证上下文和任务队列来实现去中心化协调的MAS框架。智能体异步认领子任务、读取累积进展、执行本地推理，并回写紧凑的已验证更新。共享上下文充当了公共通信基础，使智能体能够彼此基于已验证的进展进行构建，而无需将每次更新都通过中央控制器路由。实验表明，DeLM在软件工程测试时扩展和长上下文推理两方面均有提升。在SWE-bench Verified上，DeLM在Avg.@1、Pass@2和Pass@4指标中均取得最佳性能，相比最强基线提升了最多10.5个百分点，同时每个任务的成本降低约50%。在LongBench-v2 Multi-Doc QA上，DeLM在四个前沿模型家族中取得最高平均准确率，相比最强基线提升了最多5.7个百分点。代码已开源在我们的项目网站上：https://yuzhenmao.github.io/DeLM/。