Folia
← 返回头版

Memdoor多智能体工作流在LiveCodeBench Hard基准测试中表现超越Fable 5

由Memdoor框架驱动的多智能体编程工作流在LiveCodeBench Hard基准测试的前10道题目中展现出优于单模型Fable 5的性能表现。该工作流整合了五个Qwen3.8-27B模型角色,分别担任规划者、两个构思者、解决者和管理者职责,并额外配备一个修复工作者 1。在五轮重复测试的平均得分统计中,这套多智能体系统达到了9.8分,而作为对比基准的Fable 5模型得分为8.0分 1。这一结果验证了GVS5H论文所提出方法的有效性 1。

在运行效率与成本方面,该系统在总计50次运行中有49次成功解决了问题,整体花费为35.79美元,若计入无效尝试则总成本为38.77美元 1。所有计算任务均通过OpenRouter平台调用Modal和CoreWeave等云服务提供商完成,而非在本地机器上运行 1。尽管表现优异,报告指出存在潜在的训练数据污染风险,因为测试题目的比赛日期范围为2025年3月29日至4月6日,早于当前时间点 1。

具体的失败案例揭示了管理者角色在处理复杂逻辑时的局限性。在Pass 5的abc399_e任务中,由于管理者虚构了错误的反例,导致原本正确的解决方案被重写;而在Pass 4的arc196_c/d任务中,因管理者未能确认程序已完成,错误地覆盖了正确代码 1。


评论