AI 搜索

带引用 · 可溯源

先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接

AI 答案

资料有限基于 1 条来源 · 引用可点击溯源

现有资料不足以完整回答介入时机的具体判定规则与延迟开销的量化数据，只能确认 ARIA 的设计定位与训练数据规模。

从框架定位看，ARIA 是面向 LLM 多智能体系统的运行时检查与修正框架，其小模型被训练为在任务执行中途识别错误并介入修正，而非事后诊断或反复重跑1。这说明介入时机属于“执行中途”的在线判定，而不是任务结束后的离线复盘。
训练信号来源上，ARIA 将执行验证过的修复转化为可复用监督数据，并构建了首个大规模失败轨迹与验证修复配对数据集（3953 对），且可跨框架与宿主模型泛化1。也就是说，小模型的介入能力来自“失败轨迹—已验证修复”的配对监督。
关于具体判定阈值、触发条件（如按步、按置信度还是按检查点），资料未给出1。
关于是否引入额外延迟、延迟量级，资料同样未提及任何测量结果或开销分析1；仅可推断其目标是避免“事后诊断或反复重跑”带来的重复执行成本1，但这属于设计动机，不能等同于延迟结论。

建议直接查阅原文的方法与实验章节以获取触发机制与开销数据。

继续追问

1 条

AI 答案正在检索与综合…

1 条 · 点击可看原文全文与中文译文

ARIA 提出面向 LLM 多智能体系统的运行时检查与修正框架，将执行验证过的修复转化为可复用监督数据，训练小模型在任务执行中途识别错误并介入修正，避免事后诊断或反复重跑。构建了首个大规模失败轨迹与验证修复配对数据集（3953 对），可跨框架与宿主模型泛化。

Agent·arXiv cs.AI·5 天前