Исследователи из Стэнфордского университета поставили под сомнение распространённое мнение о том, что мультиагентные ИИ-системы всегда эффективнее одиночных моделей. В своей работе они пришли к выводу, что при одинаковом вычислительном бюджете один агент показывает как минимум сопоставимый, а чаще лучший результат.
Мультиагентный подход предполагает, что несколько моделей делят задачу на части, обсуждают ответы друг с другом или перепроверяют выводы. Такой формат обычно считают более подходящим для задач с несколькими шагами рассуждения.
Авторы исследования объясняют разницу так: при совместной работе агенты постоянно передают друг другу промежуточные результаты, и на каждом таком этапе часть полезной информации может теряться. Один агент ведёт рассуждение как единый непрерывный процесс и избегает этих потерь.
Команда протестировала четыре модели:
- Qwen3-30B-A3B
- DeepSeek-R1-Distill-Llama-70B
- Gemini 2.5 Flash
- Gemini 2.5 Pro
Проверка проходила на двух бенчмарках для многошаговых рассуждений. Исследователи сравнили одиночного агента с пятью вариантами командной архитектуры, включая последовательные цепочки, дебаты и ансамблевые схемы.
По итогам тестов один агент почти во всех случаях оказался лучшим вариантом или показал равный результат. При этом он тратил заметно меньше ресурсов, чем командные конфигурации.
В работе есть важная оговорка: теоретическое преимущество одиночного агента сохраняется, только если модель без ошибок удерживает контекст. На практике большие языковые модели справляются с этим не всегда. Чем длиннее цепочка рассуждений, тем труднее отделять важные данные от шума.
Авторы упоминают два известных эффекта: context rot и «lost in the middle». В первом случае качество работы падает из-за перегрузки контекстом. Во втором модель может пропускать важные сведения, если они находятся в середине длинного текста.
Именно в таких условиях командные схемы могут выигрывать. В экспериментах с намеренно искажённым входным текстом структурированные команды работали лучше одиночного агента при сильном уровне искажений, потому что разделение задачи помогало лучше отфильтровывать полезную информацию.
Исследование также показало, что команды дают больше пользы при использовании более слабых базовых моделей. Анализ ошибок выявил, что одиночные агенты иногда рассуждают слишком узко, тогда как команды проверяют больше вариантов и порой находят ответы, которые один агент упускает.
Из всех протестированных командных схем архитектура с дебатами показала лучший результат. При этом авторы подчёркивают, что работа ограничена текстовыми задачами на рассуждение.
В препринте не рассматривается, дают ли команды преимущество в задачах с использованием внешних инструментов или при обработке изображений. Этот вопрос исследование не покрывает.
Источник: The Decoder, со ссылкой на исследование Стэнфордского университета.
