DeAR: Decentralized Agentic Reasoning via Capability Grounding and Collaborative Thought Navigation

📄 arXiv: 2608.17282v1 📥 PDF

作者: Xing Wei, Changmeng Zheng, XiaoYong Wei, Xiufen Ye, Qing Li

分类: cs.AI

发布日期: 2026-08-18

💡 一句话要点

提出DeAR框架以解决集中式推理系统的瓶颈问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 去中心化推理 代理协作 多模态推理 知识密集型任务 自适应系统

📋 核心要点

  1. 现有的集中式代理推理系统存在路由瓶颈和静态角色分配的问题，难以处理复杂的多模态查询。
  2. DeAR框架通过去中心化的能力基础、思维地图导航和拓扑更新，实现了自主的点对点协作。
  3. 在9个多模态推理和文本问答基准上，DeAR的表现持续优于现有基线方法，验证了其有效性。

📝 摘要（中文）

现有的代理推理系统通常依赖于集中式协议，这种设计引入了路由瓶颈和静态角色分配，难以有效处理复杂的多模态查询。我们提出了DeAR（去中心化代理推理）框架，转变为自主的点对点协作。DeAR基于三种机制构建：去中心化的能力基础以实现查询依赖的代理专业化、思维地图导航以实现针对性的同行互动，以及拓扑更新以实现自适应错误修正。通过在9个多样化的多模态推理和基于文本的问答基准上的评估，DeAR在准确性上始终优于最近的基线方法，验证了代理之间去中心化和自适应协作在知识密集型推理任务中的增强效果。

🔬 方法详解

问题定义：论文旨在解决现有集中式代理推理系统在处理复杂多模态查询时的瓶颈问题，尤其是路由延迟和角色分配的静态性导致的效率低下。

核心思路：提出DeAR框架，通过去中心化的方式实现代理之间的自主协作，增强系统的灵活性和适应性。这样的设计使得每个代理能够根据具体查询动态调整其角色和能力。

技术框架：DeAR框架主要包括三个模块：去中心化能力基础、思维地图导航和拓扑更新。去中心化能力基础负责根据查询类型对代理进行专业化，思维地图导航则用于指导代理之间的互动，而拓扑更新则确保系统在面对错误时能够自我修正。

关键创新：DeAR的核心创新在于其去中心化的设计理念，与传统集中式系统相比，能够更有效地处理复杂查询并提高推理准确性。

关键设计：在实现过程中，DeAR采用了动态的能力分配机制和自适应的拓扑结构，确保代理能够根据实时反馈进行调整，具体的参数设置和损失函数设计尚未详细披露。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在9个多模态推理和文本问答基准测试中，DeAR框架的表现显著优于最新的基线方法，具体提升幅度未详细披露，但验证了去中心化和自适应协作在知识密集型推理任务中的有效性。

🎯 应用场景

DeAR框架在多模态推理和知识密集型任务中具有广泛的应用潜力，能够用于智能问答系统、自动化客服以及复杂数据分析等领域。其去中心化的特性使得系统能够在面对不断变化的查询需求时，保持高效的响应能力，未来可能推动更智能的协作代理系统的发展。

📄 摘要（原文）

Existing agentic reasoning systems typically rely on centralized protocols. This design introduces routing bottlenecks and static role allocations that often fail when handling complex multimodal queries. We propose DeAR (Decentralized Agentic Reasoning), a framework that shifts from central control to autonomous peer-to-peer collaboration. DeAR is built on three mechanisms: (1) decentralized capability grounding for query-dependent agent specialization, (2) thought map navigation for targeted peer interactions, and (3) topology update for adaptive error correction. Evaluations across 9 diverse multimodal reasoning and text-based QA benchmarks indicate that DeAR consistently outperforms recent baseline methods, validating that decentralized and adaptive collaboration among agents enhances accuracy in knowledge-intensive reasoning tasks. The source code will be available at https://open_upon_acceptance.