DyTopo：基于语义匹配的多智能体动态拓扑路由

基本信息

导语

针对多智能体推理中固定通信模式难以适应迭代解题需求的问题，本文提出了 DyTopo 框架。该研究通过管理者引导，利用语义匹配在每一轮动态重构稀疏有向通信图，从而实现精准的消息路由。实验表明，该方法在代码生成与数学任务上优于现有基线，并能生成可解释的协调轨迹，但其计算开销及在更复杂场景下的泛化能力无法从摘要确认。

摘要

本文介绍了 DyTopo，一种由管理者引导的多智能体框架，旨在解决现有推理系统依赖固定通信模式、难以适应迭代解题需求的问题。

核心机制： DyTopo 在每一轮推理中动态重构稀疏有向通信图。首先，根据管理者的阶段目标，各智能体输出轻量级的自然语言“需求”和“供给”描述符；随后，框架将这些描述符转化为嵌入并进行语义匹配，仅在匹配成功的边之间路由私有消息。

实验效果： 在代码生成和数学推理基准测试及四种LLM骨干网络上，DyTopo 的表现持续优于最强基线模型（平均提升 6.2%）。此外，该方法还能通过动态演化的图谱生成可解释的协调轨迹，便于直观检查通信路径在多轮推理中的重组过程。

评论

论文评价：DyTopo: Dynamic Topology Routing for Multi-Agent Reasoning via Semantic Matching

总体评价 DyTopo 提出了一种在多智能体（MAS）推理过程中动态重构通信拓扑的方法。针对现有多智能体系统普遍采用静态拓扑（如全连接、环形或固定层级）导致的通信冗余与推理瓶颈问题，该研究引入了基于语义匹配的动态路由机制。该工作尝试建立自然语言处理（NLP）与图神经网络（GNN）动态路由思想之间的联系，旨在为构建低成本、可解释性的复杂任务求解系统提供一种新的技术路径。

以下是基于七个维度的深入分析：

1. 研究创新性

  • 论文声称：DyTopo 能够根据管理者在每一轮的阶段目标，动态生成稀疏有向图，从而解决固定通信模式无法适应迭代解题需求的问题。
  • 证据：论文提出了一种“供给-需求”匹配机制。智能体不直接传递原始思维链，而是输出轻量级的自然语言描述符，管理者将其转化为嵌入并进行语义匹配，仅建立高相关性边。
  • 推断与分析：该研究的核心创新在于将通信协议从“结构驱动”转变为“语义驱动”。传统的 MAS（如 MetaGPT 或 ChatDev）通常依赖预定义的流水线或角色，而 DyTopo 赋予了系统根据即时需求调整连接的能力。这种机制类似于注意力机制在自然语言处理中的作用，但应用到了智能体间的宏观路由决策上，理论上有助于降低非相关信息的干扰。

2. 理论贡献

  • 论文声称：通过动态演化图谱，系统能生成可解释的协调轨迹，便于直观检查通信路径。
  • 证据：系统在每一轮推理中都会输出当前的拓扑结构，且该结构随语义匹配结果变化。
  • 推断与分析：理论上，该工作补充了多智能体系统中**“通信效率与推理质量权衡”**的探讨。它隐含了一个假设：语义相关性与信息增益呈正相关。即，只有当智能体A的“供给”与智能体B的“需求”在语义空间高度匹配时，通信才被视为有效。这为解决大规模智能体系统的“指数级通信复杂度”问题提供了一种基于语义筛选的解决思路。

3. 实验验证

  • 论文声称：在代码生成和数学推理基准上，DyTopo 优于对比基线，平均提升 6.2%。
  • 证据：论文在 HumanEval, MBPP, MATH, GSM8K 等数据集上进行了测试，并使用了四种不同的 LLM 骨干网络。
  • 推断与分析：
    • 数据解读：6.2% 的平均提升表明该方法在特定任务上具有有效性。
    • 潜在风险：实验隐含假设LLM 能够准确生成高质量的“供给/需求”描述符。如果模型能力较弱（如小参数量模型），生成的描述符可能模糊不清，导致语义匹配失效，进而造成关键通信链路断裂。
    • 验证建议：建议进行消融实验，将“语义匹配”替换为“随机匹配”或“全连接”，以验证提升确实源于拓扑的动态性。此外，应测试在长上下文任务中，动态拓扑相比全连接在 Token 消耗上的具体效率比。

4. 应用前景

  • 论文声称：该方法能生成可解释的协调轨迹。
  • 证据：动态生成的图谱直观展示了智能体间的协作流向。
  • 推断与分析：DyTopo 在复杂软件开发和科研模拟等场景中具有应用潜力。
    • 场景分析：在代码生成中，管理者可以根据当前 Bug 类型，动态将特定角色的智能体进行连接，而非采用广播模式。
    • 成本考量：由于采用稀疏图，推理成本随智能体数量的增长速度可能低于全连接 MAS，这在实际部署中是一个值得关注的因素。

5. 可复现性

  • 论文声称：方法描述清晰，包含管理者引导、描述符生成和语义匹配三个步骤。
  • 推断与分析：方法的实施难点在于“提示词工程”。如何引导 LLM 输出结构化、高区分度的“供给/需求”描述符是效果的关键。如果论文未公开具体的 Prompt 模板，复现难度较大。此外，语义匹配的阈值设定可能具有较强的任务依赖性，需要针对不同数据集进行调优。

6. 相关工作对比

  • 对比维度：静态拓扑 vs. 动态拓扑。
  • 优劣分析：
    • 静态拓扑（如 NetAgent）：结构简单，实现容易，但在处理多变的推理任务时缺乏灵活性，容易产生无效通信。
    • 动态拓扑（DyTopo）：能够适应任务需求变化，减少冗余信息，但引入了额外的计算开销（语义匹配计算）和系统复杂度（管理者调度逻辑）。

7. 局限性与未来方向

  • 语义匹配的鲁棒性：该方法高度依赖语义嵌入的质量。在处理歧义较大或专业性极强的任务时，语义匹配可能无法准确识别潜在的供需关系。
  • 管理者单点瓶颈：虽然管理者负责路由，但在智能体数量极大时，管理者进行两两语义匹配的计算负担可能会成为新的性能瓶颈。
  • 未来方向：研究

技术分析

DyTopo: 动态拓扑路由技术解析

1. 研究背景与问题

核心问题

该论文旨在解决多智能体大模型（LLM）系统中静态通信拓扑的局限性。在现有的多智能体框架中，智能体之间的连接结构通常在初始化时设定（如全连接、环形或固定层次结构），并在推理过程中保持不变。这种静态机制难以适应复杂任务不同阶段对信息流动的动态需求，可能导致信息冗余或关键信息传递受阻。

问题背景

随着大模型在处理复杂长链路推理任务（如数学证明、代码生成）中的应用，多智能体协作被用于提升整体性能。然而，多智能体系统的效能很大程度上取决于交互机制。如果交互结构固定，系统可能无法根据任务进展灵活调整协作模式。

现有方法的局限性

  1. 全连接的噪声干扰：部分框架默认智能体之间全连接，导致无关信息在推理链中传播，增加了计算负担和出错概率。
  2. 固定拓扑适应性不足：基于静态图的方法难以处理任务需求的动态变化。例如，在代码生成的不同阶段，不同角色的智能体对信息的需求不同，固定路由无法捕捉这种演变。
  3. 缺乏语义路由机制：现有的动态路由多基于权重或注意力机制，缺乏显式的语义匹配，难以明确解释智能体间的通信逻辑。

2. 核心方法与创新

核心方法：DyTopo 框架

DyTopo 提出了一种管理者引导的动态稀疏路由框架。其核心流程包含两个关键阶段，在每一轮推理迭代中执行：

  1. 语义描述符生成：
    • 管理者：根据全局状态和任务目标，生成当前的“阶段目标”。
    • 工作者：每个智能体根据自身状态和阶段目标，生成两个轻量级的自然语言描述符：
      • 供给：智能体当前拥有的信息或能力。
      • 需求：智能体当前需要的信息或支持。
  2. 语义匹配与图构建：
    • 框架将所有智能体的“需求”与其他智能体的“供给”进行语义相似度计算（通常基于嵌入向量的余弦相似度）。
    • 构建一个**有向无环图（DAG）**或稀疏有向图，仅当“需求”与“供给”的匹配度超过阈值时，建立通信边。
    • 私有消息仅沿着这些动态生成的边进行传输。

技术创新点

  1. 语义级路由：DyTopo 使用自然语言作为接口，显式地建模通信意图，增强了路由过程的可解释性。
  2. 动态拓扑重构：实现了推理过程中通信图的实时演化，打破了静态图的限制。
  3. 稀疏通信机制：通过语义匹配过滤无效通信，降低了计算开销，并减少了长上下文窗口中的噪声干扰。

方法优势

  • 计算效率：减少了无关信息的输入，有助于降低推理延迟和Token消耗。
  • 鲁棒性：限制了错误信息在智能体间的连锁传播。
  • 可解释性：生成的动态图谱展示了协作逻辑，便于调试和分析。

3. 理论基础

基础假设

  1. 语义表征假设：假设智能体的内部状态和需求可以通过简短的自然语言描述符进行有效表征，且足以支持路由决策。
  2. 局部性假设：假设在推理的特定阶段，只有部分智能体掌握的信息是相关的，全局通信可能非必要甚至有害。

数学模型与算法逻辑

该方法的逻辑可以形式化为： 设智能体集合为 $V$，在时刻 $t$，每个智能体 $v_i$ 生成需求向量 $d_{i,t}$ 和供给向量 $s_{i,t}$。 通信图的邻接矩阵 $A_t$ 由语义相似度函数 $sim(d_{i,t}, s_{j,t})$ 决定。当相似度值高于设定阈值 $\theta$ 时，矩阵中对应元素 $A_{t}[i, j]$ 为 1，表示存在连接；否则为 0。

这一机制旨在通过语义匹配，最大化通信信息与当前任务目标的相关性，同时抑制无关信息的传输。

研究最佳实践

最佳实践指南

实践 1：构建基于语义相似度的动态路由机制

说明: DyTopo 的核心在于摒弃传统的静态或固定拓扑结构，转而利用大语言模型（LLM）的语义理解能力来动态决定信息流向。这意味着在多智能体系统中，下一个接收信息的智能体不是预先设定的，而是根据当前上下文与候选智能体功能描述的语义匹配度实时选定的。这种机制能确保任务被分配给最具备处理该任务潜力的智能体，从而提高整体推理效率。

实施步骤:

  1. 定义每个智能体的角色描述和功能简介，将其作为语义匹配的锚点。
  2. 在推理的每一个步骤，提取当前的上下文状态或中间结果。
  3. 使用嵌入模型将当前上下文与所有候选智能体的描述进行向量化。
  4. 计算余弦相似度或其他语义距离指标，选择相似度最高的智能体作为下一跳节点。

注意事项:

  • 智能体的功能描述必须精准且具有区分度，避免语义模糊导致路由错误。
  • 需定期评估嵌入模型的效果，确保其能准确捕捉语义关联。

实践 2：实施自适应的图拓扑生成策略

说明: 不同于传统的全连接或固定链式结构，DyTopo 强调根据任务需求动态生成子图。这意味着系统不应在初始化时就固定死智能体之间的连接关系，而应允许系统在运行过程中，根据语义匹配的结果，临时构建起针对当前特定任务的推理路径。这种“即用即建”的策略能显著减少无效信息的干扰。

实施步骤:

  1. 初始化系统时，仅维护一个智能体池，不建立硬编码的连接边。
  2. 设定一个最大路径长度或最大跳数限制，防止推理过程陷入死循环。
  3. 在推理过程中，根据“实践 1”中的匹配结果，动态在当前智能体与下一智能体之间建立有向边。
  4. 记录动态生成的路径，以便后续分析和优化路由策略。

注意事项:

  • 需设置终止条件，当语义匹配度低于某一阈值时，应停止生成新边并结束推理。
  • 动态生成的拓扑结构可能会产生不可预测的长链路，需监控推理深度。

实践 3：设计细粒度的智能体功能分工

说明: 为了使语义匹配路由更加有效，系统中的智能体不能是通用的，而应是高度专业化的。DyTopo 的有效性依赖于智能体之间在语义空间中的明确区分。如果智能体功能重叠过高，路由机制将无法准确判断最优路径。因此，最佳实践是将复杂任务拆解为原子化的子技能，并为每个子技能部署专门的智能体。

实施步骤:

  1. 对目标任务进行拆解，识别出所需的特定技能（如：信息检索、逻辑推理、代码生成、摘要总结等）。
  2. 为每个特定技能创建独立的智能体，并撰写详细的System Prompt。
  3. 确保不同智能体的Prompt在语义向量空间中保持足够的距离（低相似度）。
  4. 测试路由系统是否能准确区分功能相近的智能体（例如区分“数学计算”与“逻辑推理”）。

注意事项:

  • 避免过度拆解导致智能体数量爆炸，增加计算开销和路由难度。
  • 定期审查智能体表现，合并冗余角色。

实践 4：引入路由置信度阈值与回退机制

说明: 动态路由存在风险，即可能错误地将任务传递给不相关的智能体。为了增强系统的鲁棒性，必须引入置信度评估。当语义匹配的最高分仍然很低时，说明现有智能体池中没有合适的节点处理当前问题。此时应触发回退机制或通用处理流程，而不是强行路由。

实施步骤:

  1. 设定一个相似度得分阈值（例如 0.75）。
  2. 在路由决策时，检查最高分是否超过该阈值。
  3. 若超过阈值，正常路由给匹配的智能体。
  4. 若未超过阈值，触发“默认处理智能体”或向用户反馈缺失特定能力，请求人工干预。

注意事项:

  • 阈值的设定需要根据具体的Embedding模型和任务类型进行调优。
  • 回退机制应具备记录日志功能，以便后续发现系统能力的盲点并补充新的智能体。

实践 5：优化上下文传递与状态管理

说明: 在动态拓扑中，信息流经的路径是不确定的。为了确保每个智能体都能基于完整的历史信息做出决策，需要精心设计消息传递协议。最佳实践是维护一个全局共享的上下文窗口，或者在每个节点传递消息时携带精简后的历史摘要。这能防止随着路径加深，信息出现衰减或失真。

实施步骤:

  1. 设计标准化的消息格式，包含：当前任务描述、前序输出、历史路径摘要。
  2. 在每次路由跳转时，更新“历史路径摘要”，将上一轮的关键产出压缩进去。
  3. 如果使用全局上下文，确保Token长度不超过模型的处理

学习要点

  • DyTopo提出了一种动态拓扑路由机制，通过语义匹配自适应地构建多智能体间的推理路径，以解决复杂任务分解与协作的灵活性问题。
  • 该方法摒弃了静态的智能体连接模式，允许系统根据当前任务上下文和语义相关性，实时重组智能体间的交互网络。
  • 核心创新在于引入了基于语义相似度的路由算法，能够精准地将任务需求导向具备最相关知识或功能的智能体。
  • 这种动态路由架构显著提升了多智能体系统在处理长链路推理时的准确性与效率，避免了固定层级结构带来的信息瓶颈。
  • DyTopo通过解耦智能体间的依赖关系，增强了系统的可扩展性，使得在不重新训练整体模型的情况下即可集成新的智能体。

学习路径

学习路径

阶段 1：基础理论与技术储备

学习内容:

  • 多智能体系统 (MAS) 基础: 理解多智能体协作的基本范式（如合作通信、去中心化执行），以及多智能体强化学习 (MARL) 的基本框架。
  • 图神经网络 (GNN) 原理: 掌握图卷积 (GCN)、图注意力 (GAT) 的核心机制，理解如何通过消息传递进行节点特征聚合。
  • 深度强化学习 (RL) 基础: 熟悉 DQN、PPO 等主流算法，理解策略梯度与价值函数的区别。
  • 动态拓扑与路由: 了解网络中动态拓扑的基本概念，以及传统路由算法与基于学习的路由的区别。

学习时间: 3-4周

学习资源:

  • 书籍: Reinforcement Learning: An Introduction (Sutton & Barto)
  • 课程: 斯坦福大学 CS224W (Machine Learning with Graphs)
  • 综述论文: A Comprehensive Survey on Graph Neural Networks (Wu et al., 2021)

学习建议: 此阶段重点在于建立对“图”和“智能体”的直观理解。建议先复现简单的 DQN 和 GCN 代码（如 PyTorch Geometric 官方示例），不要急于直接阅读 DyTopo 论文，需先理解静态图和单智能体的逻辑。

阶段 2：核心机制深入理解

学习内容:

  • 语义匹配: 理解如何将智能体的状态或意图映射为语义向量，并基于相似度进行匹配。这是 DyTopo 决定“与谁通信”的核心。
  • 动态路由机制: 深入研究如何根据语义匹配结果动态构建通信拓扑，以及这种动态性如何解决固定拓扑的局限性。
  • 信息瓶颈与通信效率: 学习如何在多智能体通信中引入信息瓶颈理论，以过滤噪声并提高推理效率。
  • 注意力机制在通信中的应用: 分析 Transformer 中的注意力机制如何被借鉴用于多智能体间的动态链接建立。

学习时间: 3-4周

学习资源:

  • 论文: CommNet & BiCNet (多智能体通信基础)
  • 论文: ToMnet (Theory of Mind，理解多智能体推理)
  • 技术博客: Attention is All You Need 的详细解析

学习建议: 在阅读 DyTopo 论文时，重点关注其“语义匹配”模块的数学表达。尝试画出数据流向图：输入状态 -> 语义编码 -> 相似度计算 -> 拓扑生成 -> 消息传递。思考为何动态拓扑比全连接或固定图更适合推理任务。

阶段 3：算法实现与代码复现

学习内容:

  • 框架搭建: 学习使用 PyTorch 或 JAX 搭建多智能体训练环境（如基于 PettingZoo 或 MPE）。
  • DyTopo 模块实现: 动手编写语义匹配层和动态邻接矩阵生成逻辑。
  • 损失函数与优化: 理解 DyTopo 中特有的辅助损失（如拓扑正则化损失）及其对梯度的反向传播影响。
  • 基准测试: 在简单的多智能体协作环境（如 Cooperative Navigation）中复现 DyTopo 的核心逻辑。

学习时间: 4-6周

学习资源:

  • 代码库: PyMARL (Multi-Agent Reinforcement Learning Framework)
  • 环境: PettingZoo, Gym-Multi-Agent
  • 论文开源代码: 搜索 DyTopo 作者的 GitHub (如有) 或类似动态拓扑路由的开源实现

学习建议: 不要一开始就尝试复现整个系统。先实现一个“静态”版本，即智能体之间随机通信，确保基础 RL 环路跑通。然后逐步加入“语义匹配”模块，观察智能体是否学会了在关键时刻与关键伙伴通信。使用 TensorBoard 监控拓扑连接数的变化。

阶段 4：进阶应用与前沿探索

学习内容:

  • 复杂推理任务: 将 DyTopo 应用于更复杂的场景，如星际争霸 (SC2) 或复杂的自动驾驶模拟，测试其在大规模智能体下的表现。
  • 异构智能体: 探索 DyTopo 在异构智能体（不同观测空间、动作空间）间的扩展应用。
  • 可解释性研究: 分析生成的动态拓扑，解释智能体在特定时刻选择特定通信对象的语义原因。
  • 最新相关研究: 调研基于 DyTopo 的后续改进工作，如结合大语言模型 (LLM) 进行更高层的语义路由。

学习时间: 持续进行

学习资源:

  • 顶会论文: NeurIPS, ICLR, ICML 中关于 Multi-Agent Communication 的最新文章
  • 项目: StarCraft II (SMAC) 环境

学习建议: 尝试修改 DyTopo 的核心

常见问题

1: DyTopo 的核心目的是解决什么问题？

1: DyTopo 的核心目的是解决什么问题？

A: DyTopo 旨在解决大型语言模型在处理多智能体推理任务时面临的动态路由与协作效率问题。在传统的多智能体系统中，通常采用静态拓扑结构，即预先定义好智能体之间的连接和交互方式。然而，这种方法缺乏灵活性，难以适应不同任务的需求或推理过程中的动态变化。DyTopo 提出了一种动态拓扑路由机制，通过语义匹配来实时决定信息应该传递给哪个智能体，从而构建一个能够根据当前上下文和推理状态自动调整结构的动态图，以提高多智能体系统的推理准确性和响应速度。

2: DyTopo 是如何实现“动态拓扑路由”的？

2: DyTopo 是如何实现“动态拓扑路由”的？

A: DyTopo 实现动态拓扑路由的核心在于“语义匹配”。系统并不依赖固定的连接线路，而是维护一个智能体网络。当某个智能体产生输出或需要请求协助时，DyTopo 会分析当前消息的语义内容，并将其与网络中其他可用智能体的功能描述或历史专长进行匹配。基于这种语义相似度计算，系统会动态地选择下一个接收消息的智能体。这意味着在任务的不同阶段，智能体之间的连接路径是可以改变的，从而形成了一个针对特定任务优化的临时推理链路。

3: 与静态拓扑结构相比，DyTopo 有哪些显著优势？

3: 与静态拓扑结构相比，DyTopo 有哪些显著优势？

A: 相比于静态拓扑，DyTopo 主要具有以下三个显著优势：

  1. 更高的灵活性：它不需要为每个任务手动设计交互流程，能够根据输入自动适应不同的推理路径。
  2. 更强的可扩展性：在增加新的智能体时，无需重新设计整个系统的连接逻辑，新智能体只需通过语义注册即可融入网络。
  3. 更好的容错性与鲁棒性：如果某个智能体失效或无法提供有效信息，路由机制可以基于语义匹配迅速重定向到其他合适的智能体，避免了单点故障导致整个推理链的中断。

4: DyTopo 中的“语义匹配”具体是指什么？

4: DyTopo 中的“语义匹配”具体是指什么？

A: 在 DyTopo 的语境下，“语义匹配”是指利用向量嵌入技术来衡量任务需求与智能体能力之间的相似度。具体来说，系统会将当前的查询或中间推理结果转换为高维向量，同时也将每个智能体的功能描述转化为向量。通过计算这些向量之间的余弦相似度或其他距离指标，DyTopo 能够判断哪个智能体最有可能解决当前的问题或提供最有价值的信息。这种基于内容的匹配方式替代了传统的硬编码规则，使得智能体之间的协作更加智能和精准。

5: DyTopo 主要适用于哪些应用场景？

5: DyTopo 主要适用于哪些应用场景？

A: DyTopo 特别适用于那些需要复杂逻辑推理、多步解题或涉及多个专业领域知识协作的场景。例如：

  • 复杂问答与知识检索：当一个问题需要跨越不同学科（如结合法律和金融）时，DyTopo 可以动态将问题路由给法律专家智能体和金融专家智能体。
  • 代码生成与调试：在编写复杂代码时，系统可以将任务分解并路由给擅长不同编程语言或特定算法的智能体。
  • 多模态任务处理：在需要同时处理文本、图像和音频数据的任务中，动态路由可以确保数据被发送到专门处理该模态的智能体模块中。

6: 在 DyTopo 框架中，如何处理智能体之间可能出现的循环依赖或无限循环？

6: 在 DyTopo 框架中，如何处理智能体之间可能出现的循环依赖或无限循环？

A: 虽然动态拓扑提供了灵活性，但也可能引入循环风险。DyTopo 通常通过引入“令牌传递”或“跳数限制”等机制来控制推理流程。系统会设定一个最大推理步数或最大轮次阈值，一旦达到该阈值，无论推理是否完成，系统都会强制终止当前的路由过程并生成最终响应。此外，通过在语义匹配函数中加入对历史路径的惩罚项，可以降低系统将消息传回已经处理过该消息的智能体的概率，从而有效避免无效的死循环。

7: DyTopo 对基础大语言模型（LLM）有什么特殊要求吗？

7: DyTopo 对基础大语言模型（LLM）有什么特殊要求吗？

A: DyTopo 是一个架构层面的创新，它理论上可以兼容各种不同规模的基础大语言模型。然而，为了实现精准的“语义匹配”，基础模型需要具备较强的语义理解能力，以便生成高质量的文本嵌入。在实际部署中，DyTopo 往往会配合专门的嵌入模型来辅助路由决策，而负责具体推理任务的智能体则可以根据需要选择不同参数规模的 LLM（例如，对于简单的路由节点可以使用小模型，对于复杂的推理节点可以使用大模型），从而在性能和成本之间取得平衡。

思考题

## 挑战与思考题

### 挑战 1: [简单]

问题**：在 DyTopo 框架中，语义匹配是构建动态拓扑的关键。假设你有一个包含 5 个智能体的系统，每个智能体都有特定的功能标签（例如：规划、视觉、推理、执行、验证）。请设计一个简单的基于关键词的启发式算法，决定当用户提出一个“关于视觉场景推理”的请求时，应该激活哪几个智能体，并说明它们之间可能的连接方向。

提示**：考虑将用户的查询关键词与智能体的功能标签进行相似度比对，并思考“推理”通常依赖于哪些前置输入（如视觉信息），从而确定有向图的边。

引用

注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

站内链接

相关文章