StreamMA：流式传输推理步骤降低多智能体延迟

Zhen Yang 等在 arXiv 提交论文 StreamMA（arXiv:2606.05158），提出将多智能体推理的每一步即时流式传给下游智能体以流水线化，从而降低端到端延迟。 论文报告，在覆盖数学、科学与代码的八项基准、三个前沿模型（Claude Opus 4.6、GPT-5.4、GLM-5.2）和三种拓扑（Chain、Tree、Graph）上，StreamMA 平均超出串行等基线 +7.3pp，HMMT2026 上最高 +22.4pp（Claude Opus 4.6-High）。 论文还给出流式、串行与单体协议的首个闭式联合分析，并称发现增加每智能体步数可同时提升效果与效率的步级 scaling law。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。