DynaFlow учит главного агента писать workflow и обгоняет базу на 10,9 п.п.

Исследователи из National University of Singapore (Ruhao Liu, Qi Li, Shizun Wang, Xinchao Wang) опубликовали DynaFlow, фреймворк для мультиагентной оркестрации. Главный агент в нём сам решает, когда ему нужна помощь, и пишет для этого короткую исполняемую программу. На шести бенчмарках DynaFlow набрал 88,08% общей точности в режиме Forced. Это на 10,90 процентного пункта выше сильнейшей из проверенных базовых систем, причём все сравнивались на одной и той же основе Qwen3.5-27B.

Оркестровка как действие, а не как схема

Большинство мультиагентных систем устроено жёстко. Есть заранее заданная структура: планировщик, исполнитель, критик, фиксированный порядок передачи сообщений. Для задач, которые не вписываются в шаблон, такая схема становится потолком.

В DynaFlow синтез workflow включён в пространство действий главного агента, наравне с остальными шагами рассуждения. Агент сам решает, нужна ли вообще коллаборация. Если нужна, он генерирует программу под конкретную задачу. Она может запускать субагентов последовательно или параллельно, обмениваться между ними структурированной информацией и проверять промежуточные результаты.

Главное в петле обратной связи. Результаты выполнения и трассы возвращаются главному агенту и влияют на его следующие действия. Структура сотрудничества перестраивается по ходу рассуждения, а не фиксируется на старте.

Учим дирижёра, музыкантов не трогаем

Авторы сознательно разделили обучение оркестровки и улучшение исполнителей. Дообучается только главный агент. Все субагенты остаются неизменными, поэтому прирост нельзя списать на то, что рабочие модели стали сильнее.

Процесс идёт в два этапа:

• Supervised fine-tuning на дистиллированных траекториях: главный агент учится на готовых примерах, как строить workflow.
• Дообучение на отфильтрованных примерах: из выборки убирают траектории с тремя типами дефектов.

Фильтры такие:

• необоснованные посылки (unsupported premises): вывод опирается на то, чего в исходных данных нет;
• смещённая верификация (biased verification): проверка подтверждает результат, а не оценивает его;
• дефекты потока информации (information-flow defects): выход одного этапа теряется и не доходит до следующего.

Третий пункт, пожалуй, самый интересный. Авторы считают, что качество мультиагентной системы определяется не числом агентов и не красотой графа, а тем, доходит ли результат одного шага до следующего.

Что показали измерения

Оценка шла на шести бенчмарках, которые охватывают математические рассуждения, научные вопросы и ответы и multi-hop-поиск, то есть задачи, где ответ собирается из нескольких шагов или источников.

Ключевые параметры:

• Основа: Qwen3.5-27B, одна и та же для DynaFlow и базовых систем.
• Общая точность: 88,08% в режиме Forced.
• Отрыв: +10,90 п.п. от сильнейшей из проверенных базовых систем.
• Обучаемая часть: только главный агент; субагенты зафиксированы.
• Метод: SFT на дистиллированных траекториях и последующая фильтрация по трём типам дефектов.

Анализ сгенерированных workflow после обучения показал, что агент чаще явно использует выходы предыдущих этапов, проверяет их и дорабатывает. До обучения такие связи между шагами встречались реже. Именно эту межэтапную передачу информации авторы называют одним из главных измерений качества оркестровки.

Что из этого можно забрать в работу

Работа выглядит как рецепт, а не как закрытый продукт. Код выложен на GitHub (amiya-special/Dynaflow), есть страница проекта и статья на arXiv под номером 2610.34467. На момент публикации репозиторий совсем свежий (около трёх звёзд), а к странице статьи на Hugging Face не привязаны ни модели, ни датасеты, ни Spaces. Воспроизводить результат придётся самостоятельно.

Для команд, которые строят агентные системы, практические выводы такие. Во-первых, стоит пробовать оркестровку как обучаемый навык. Модель среднего размера на 27 млрд параметров учится строить собственные workflow, и для этого не нужен дорогой полный цикл переобучения всех участников. Во-вторых, при сборке обучающих траекторий полезно фильтровать данные по поведению: проверять, не подтверждает ли верификатор всё подряд и не теряются ли промежуточные результаты. В-третьих, при оценке мультиагентных систем стоит смотреть не только на итоговую точность, но и на трассы, в частности на то, как используются выходы предыдущих шагов.

Ограничения тоже видны. Результаты получены на математике, научных вопросах и multi-hop-поиске. Как DynaFlow поведёт себя в длинных кодинговых сессиях или при работе с внешними инструментами, пока неизвестно. Но сама идея, что агент пишет программу своей же координации и учится делать это аккуратно, уже выглядит рабочей и воспроизводимой.