Xuehang Guo

该工作提出 InFlowOp，用一套无需标签的成本（智能体能力与子任务需求的匹配程度，对比该智能体的运行开销）在执行前双向决定任务分解粒度与智能体分配、在执行中定位并就地修复故障，并配套提出要求多智能体协作的 Braid 基准，在八个领域、六个骨干模型上相对单智能体基线最高提升 11.97%，其中在流内优化带来 9.64%。

该工作提出 InFlowOp，用一套无需标签的成本（智能体能力与子任务需求的匹配程度，对比该智能体的运行开销）在执行前双向决定任务分解粒度与智能体分配、在执行中定位并就地修复故障，并配套提出要求多智能体协作的 Braid 基准，在八个领域、六个骨干模型上相对单智能体基线最高提升 11.97%，其中在流内优化带来 9.64%。

该工作提出 FloWright，把工作流本身当作“训练场”，用分层且结构感知的奖励把工作流的单一稀疏结果分解到各个角色，使一个角色可自我进化、两个及以上角色可共同进化，并配套 DataWright 把单智能体能处理的既有数据集硬化成工作流级任务；在文档、幻灯片、图表、代码、数学与金融任务上，用 FloWright 训练的小型开源模型性能最高提升 7.41%，共同进化（+5.03%）优于只优化单一角色（+2.83%）。

该工作提出 FloWright，把工作流本身当作“训练场”，用分层且结构感知的奖励把工作流的单一稀疏结果分解到各个角色，使一个角色可自我进化、两个及以上角色可共同进化，并配套 DataWright 把单智能体能处理的既有数据集硬化成工作流级任务；在文档、幻灯片、图表、代码、数学与金融任务上，用 FloWright 训练的小型开源模型性能最高提升 7.41%，共同进化（+5.03%）优于只优化单一角色（+2.83%）。