Resumen: Los avances recientes se han centrado cada vez más en aprovechar modelos de lenguajes grandes (LLM) para construir agentes autónomos para tareas complejas de resolución de problemas. Sin embargo, los enfoques existentes emplean predominantemente un marco de agente único para generar ramas de búsqueda y estimar recompensas durante la planificación de Monte Carlo Tree Search (MCTS). Este paradigma de agente único limita inherentemente las capacidades de exploración, lo que a menudo resulta en una diversidad insuficiente entre las ramas generadas y un desempeño de planificación subóptimo. Para superar estas limitaciones, proponemos la planificación sinérgica de múltiples agentes con un ensamblaje de modelos de lenguaje heterogéneo (SYMPHONY), un novedoso marco de planificación de múltiples agentes que integra un conjunto de agentes heterogéneos basados en modelos de lenguaje. Al aprovechar diversos patrones de razonamiento entre agentes, SYMPHONY mejora la diversidad de implementación y facilita una exploración más efectiva. Los resultados empíricos en múltiples tareas de referencia muestran que SYMPHONY logra un rendimiento sólido incluso cuando se crea una instancia con LLM de código abierto implementables en hardware de consumo. Cuando se mejora con LLM basados en la nube accesibles a través de API, SYMPHONY demuestra mejoras adicionales, superando las líneas de base de última generación existentes y subrayando la eficacia de la coordinación heterogénea de múltiples agentes en las tareas de planificación.
Publicado originalmente en export.arxiv.org el 1 de febrero de 2026.
Ver fuente original
