FlowMAS из Сямэньского университета учит команды ИИ-агентов самим распределять роли

Команда ASC Lab из Сямэньского университета опубликовала FlowMAS, исследование о многоагентных системах, которое вышло под маркой NeurIPS 2026. Заголовок материала Jiqizhixin формулирует идею образно: ИИ-команды должны сами научиться «排兵布阵», то есть расставлять бойцов и выстраивать порядок действий. Всё, что известно из доступного фрагмента, — состав авторов и профиль лаборатории. Бенчмарков, размеров моделей и сравнений с базовыми методами в нём нет.

Кто стоит за работой

Первый автор — Ван Хайтао, doctoral-студент 2025 года набора. Вместе с ним над проектом работала магистрантка Лян Чэньцзин. Научный руководитель и автор для связи — доцент Шэнь Сицзи. В список соавторов входят Чжан Хайпэн, Ху Цзявэй, Ван Сычэн, старший научный сотрудник Мэй Сунчжу, профессор Вэнь Чэнлу и профессор Ван Чэн.

Лаборатория пространственного восприятия и вычислений заявляет три направления: агенты на базе больших моделей, обучение с подкреплением и многоагентные системы. FlowMAS лежит на пересечении всех трёх.

Какую проблему решает направление

По названию и подзаголовку можно предположить, о чём работа, но это именно предположение, а не пересказ статьи. Классические многоагентные конструкции на LLM обычно собирают вручную. Инженер сам решает, сколько агентов нужно, кто планирует, кто пишет код, кто проверяет результат и в каком порядке они передают друг другу контекст. Такая схема хорошо работает на одной задаче, но плохо переносится на другие. Если поменять тип задачи, топологию приходится перепроектировать.

Фраза про самостоятельную «расстановку сил» указывает на попытку убрать ручной этап: система должна учиться составлять рабочий процесс (в названии есть слово flow) под конкретную задачу. Упоминание обучения с подкреплением в профиле лаборатории делает вероятным, что сигналом для такой настройки служит награда за итоговый результат. Как именно это устроено в FlowMAS, из имеющегося текста не следует.

Что известно на сегодня

• Название: FlowMAS.
• Площадка: NeurIPS 2026, по заголовку публикации.
• Институция: ASC Lab, Сямэньский университет.
• Тема: самообучаемая организация команд ИИ-агентов.
• Метрики, датасеты, базовые модели, стоимость запуска: в источнике не приведены.
• Код и веса: в доступном фрагменте не упоминаются.

Что проверить при чтении полной статьи

Пока перед нами анонс без данных, и делать выводы о пользе метода рано. Когда появится препринт, имеет смысл посмотреть на несколько вещей.

Первое — с чем сравнивают. Убедительное сравнение должно включать и ручные многоагентные схемы, и сильного одиночного агента с тем же бюджетом токенов. Многоагентные системы часто выигрывают просто потому, что тратят больше вычислений.

Второе — стоимость обучения и инференса. Если система учится выстраивать процесс через RL, важно, сколько прогонов на это уходит и насколько вырастает число вызовов модели на одну задачу.

Третье — перенос. Научилась ли система расставлять агентов на одном типе задач и работает ли найденная схема на других без дообучения.

Четвёртое — открытость кода. Для практиков, которые собирают агентные пайплайны, воспроизводимость важнее громкого названия.

Для тех, кто строит агентные системы в проде, FlowMAS пока повод следить за препринтом, а не менять архитектуру. Мы вернёмся к материалу, когда появятся цифры.