Um estudo sobre agentes de busca baseados em modelos de linguagem grandes investiga como distribuir a capacidade do modelo entre papéis em arquiteturas multiagente. A pesquisa divide a busca hierárquica em três papéis distintos: decomposição de tarefas (delegação), recuperação e extração de evidências (execução) e geração de respostas.
- A fatoração de papéis supera consistentemente as linhas de base de agente único, melhorando as pontuações de correspondência exata em 4,5 a 8,6 pontos em seis escalas de modelos.
- A sensibilidade à capacidade é assimétrica; escalar o backbone de delegação melhora a correspondência exata em aproximadamente 11 pontos, enquanto escalar o subagente de execução produz apenas cerca de 2,6 pontos.
- Um executor de 1,7B parâmetros treinado por destilação de trajetória com filtragem por qualidade iguala a precisão do subagente de ponta enquanto consome 37% menos tokens.
As descobertas sugerem que construir agentes de busca hierárquicos deve concentrar a capacidade no papel de delegação e reduzir o componente de execução sem sacrificar a precisão.