FlowMAS 用 GFlowNet 自動學習多智慧體架構，被 NeurIPS 2026 錄用
廈門大學 ASC 實驗室的 FlowMAS 被 NeurIPS 2026 錄用：它用生成流網路（GFlowNet）把多智慧體工作流拓撲的設計變成可學習的生成問題，讓 AI 自動學出團隊的排兵佈陣。方法引入好奇心驅動與資訊引導兩個模組，在搭建每一步給中間結構發過程性獎勵，後者用資訊理論衡量多路 AI 輸出的協同與冗餘。在 6 個基準、3 種模型底座上，它比手工設計平均高 8.17 分、比自動化方法高 6.12 分；
首次把 GFlowNet 用於多智慧體工作流拓撲生成，給出與 15 個基線的實測分數和 token 成本對比，做多智慧體應用的開發者可據此判斷自動化組隊是否划算。
原標題：NeurIPS 2026 | FlowMAS：让AI团队自己学会「排兵布阵」
閱讀原文
| 評分 | 72 / 75（平均 73，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Sakana AI 提出 MASS，多智慧體自監督實現遞迴自我改進
Sakana AI 與 UC Berkeley 的研究者提出 MASS（多智慧體自監督），用多智慧體團隊的集體智慧作為自監督訊號，推進同質遞迴自我改進（RSI）。該方法讓同一模型同時充當執行者、工作流最佳化器和評估器：內迴圈在權重固定時搜尋最佳團隊工作流，外迴圈再依據被自評為最優的團隊執行結果更新模型權重，如此迴圈。實驗在非可驗證的研究任務上提升了每輸出 token 的得分，改進由 GPT-5.5 與 Claude Opus 4.8 獨立評分，其判斷不反饋給 MASS。
Anthropic 發布動態工作流，Claude 自行編排多智慧體
Anthropic 在 AI Engineer NYC 2026 上介紹了上週五發布的動態工作流（flows），一種讓 Claude 自行決定多智慧體拓撲的編排方式。此前 Claude Managed Agents 需要開發者手動配置協調者與子智慧體名單，現在由主智慧體制定計劃、編寫編排程式，負責啟動智慧體、收集結果與管理資訊流，並可在 Claude Console 中通過圖形介面檢視每次傳遞的內容。
清華提出樣本分佈訓練，一步生圖 SOTA、8 卡訓 14B 影片模型
清華大學等機構提出「樣本分佈訓練」，用一批生成樣本與參考樣本的整體分佈差異提供監督，取代逐樣本的參考答案，把生成壓縮到一步或少數幾步。MGFlow 在 ImageNet 256×256 上把 pMF-H、JiT-H 的單步 FDr⁶ 降至 1.45、1.64，較 FD-Loss 降低約 23% 和 38%；後訓練 FLUX.2 [klein] 4B 一步文生圖，GenEval 從四步的 0.794 升至 0.900。
研究質疑自主 MLE agent 是否需要複雜編排框架
一項研究指出，近期自主機器學習工程（MLE）agent 普遍依賴多 agent 編排器、專用檢索子 agent 等複雜框架，但更簡單、僅靠 read、write、bash 原語直接訪問執行環境的 coding agent 路線卻少有人研究。該工作正是要回答：強 agent 做自主 MLE 究竟需要多少這類外圍框架。
Latent Space 專訪 MIT Alex Zhang：談 RLM 與 agent 叢集
Latent Space 播客本期嘉賓為 MIT 的 Alex Zhang，他是 Recursive Language Models（RLM）的作者，也是 GPU Mode 社群成員。