DEP用提示词为多智能体系统动态剪枝专家，在保留专家极少时准确率超过静态剪枝与合并基线
相关研究与后续进展
核心概要
该工作提出动态专家剪枝（DEP）：分析显示多智能体系统中不同任务与角色会调用不同专家，而静态剪枝对所有请求使用同一固定掩码；DEP利用智能体的系统提示与任务提示，经一次前向传播生成按请求定制的专家掩码，无需逐配置校准，在多种任务、角色、模型规模与MoE架构上整体准确率优于静态剪枝与合并基线，并可泛化到训练中未见的工作流，且在保留专家数很少时优势最大。
Figure 1: Static masks that track the dense model for a single agent lose much of that accuracy on a multi-agent workload. Left: identical pruning methods, backbone, retention ( ρ = 50 % \rho{=}50\% ), and calibration data; only the serving setting changes. Right: the resulting accuracy–memory frontier.
arXiv深度剖析
分析表明，在多智能体系统中，不同任务与角色会调用不同的专家，而静态剪枝方法对所有请求施加同一个离线校准的固定专家子集。 此前专家剪枝被设计为静态：单一掩码离线校准后用于后续每个请求；该工作把这一假设在异构工作负载下的失效明确指向多智能体场景。 基于作者对任务与角色专家调用差异的分析，摘要以“our analysis shows”陈述，未给出具体统计量。
智能体的系统提示与任务提示本身足以识别该智能体及其任务所需的专家，因为提示文本已描述智能体将要做什么。 把专家选择依据从离线校准或运行时观测，转为请求自带的提示文本，使掩码可在请求粒度上确定。 摘要将该结论表述为本文建立的一项发现（“a finding we establish here”），具体验证细节未在摘要中展开。
DEP训练一个轻量预测器，在工作流记录上训练一次，即可在单次前向传播中把提示转为按请求定制的掩码，无需逐配置校准。 相对静态剪枝的离线单掩码流程，DEP把掩码生成变为一次前向的在线预测，且不需要针对每个配置重新校准。 方法描述来自摘要；训练数据为工作流记录，预测器被描述为轻量，未给出参数量或训练成本数字。
在多种任务与角色、模型规模与MoE架构上，DEP整体准确率优于静态剪枝与合并基线，可泛化到训练中未见的工作流而无需重训练，且在保留专家数很少时相对基线的优势最大。 相对静态剪枝与合并基线，DEP在异构多智能体负载下取得更高整体准确率，并显示角色专门化允许比静态剪枝更稀疏的服务。 摘要报告跨任务、角色、模型规模与架构的比较结果，并指出优势随保留专家数减少而扩大；未给出具体准确率数值或保留比例。
启示与展望
该结果面向以提示描述行为的多智能体工作流：一个MoE骨干同时服务多任务与多角色，且系统提示与任务提示可用。在此设定下，DEP让服务端按请求选择专家子集，从而在保留专家数很少时仍维持较高整体准确率，并可在不重训练的情况下用于训练中未见的工作流；对需要在有限显存下部署MoE多智能体系统的工程团队，这提供了比静态剪枝更细粒度的内存—准确率调节手段。
摘要未给出具体准确率数值、保留专家比例、预测器规模与训练成本，也未说明提示缺失、提示质量差或任务描述含糊时掩码是否仍然可靠；不同MoE架构与模型规模上的优势幅度是否一致、优势随稀疏度提高而扩大的趋势在何种范围内成立，仍需查看正文的表格与实验设置。由于本次仅依据摘要，上述细节属于待核实的开放问题。