仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
OpenAI在通向AGI（通用人工智能）的五大阶段中，将「组织级」智能列为最终目标：即AI能像一个组织般管理复杂流程、决策高层任务、协调大规模操作。近两年来，大量多智能体系统（Multi-AgentSystems,MAS）研究陆续涌出，不断朝这这一里程碑迈进。
为了推动该领域加速健康发展，由上海交通大学、上海AI实验室、牛津大学、普林斯顿大学、Meta等十个机构联合推出的MASLab，带来首个统一、全面、研究友好的大模型多智能体系统代码库：
论文地址：https ://arxiv. org/pdf/2505. 16988
代码地址：https ://github. com/MASWorks/MASLab
「一键横评」「快速上手」「复现无忧」
你是否也曾：
看了几十篇MAS论文，却发现代码实现千差万别？
打开一个MAS项目的仓库，一眼望去配置乱、接口杂？
想尝试复现或二次开发，但总是无从下手，Debug到天亮？
那你一定不能错过MASLab！
🧠MASLab有多好用？
MASLab统一化集成了超过20种主流MAS方法，涵盖过去两年内各大顶会的成果、多个领域、多种任务类型。并且每种方法都经过研究者们逐步输出比对，确保过程和结果严格遵循原始实现！
三大核心特性，一次到位：
✅方法全：包含AgentVerse、ChatDev、LLMDebate、AFlow、MAS-GPT等20多种多智能体方法，为广大研究者省去复现烦恼！
✅评估准：统一输入预处理、LLM配置、评估协议，确保横评公平性与可重复性！
✅结构清晰：统一方法实现结构，新手也能轻松上手，轻松拓展！
📊跨域横评，真实力一目了然！
研究者们利用MASLab进行了大量实验分析，覆盖10余种评测基准（MATH、GPQA、GAIA等），包括LLaMA-3. 3、Qwen-2. 5系列、GPT-4o等8大主流模型，首次系统地刻画大模型多智能体（MAS）方法在多个任务维度下的性能图谱。
通过大量实验，为广大研究者们展示了当前多智能体系统方法的发展现状、有劣势等。
MASLab研究团队不仅紧跟多智能体（MAS）领域前沿，更基于现有成果，创新性地提出了更高效的MAS方法——MASLab-ReAct。该方法支持搜索、读图、读语音等多种工具，并在GAIA验证集上取得了更优结果！实验数据更是有力证明，尤其在需要代码执行、图像解析等工具调用能力的场景下，MAS展现出无可比拟的显著优势，预示着其在真实世界应用中蕴藏的巨大潜力！
🔍多维剖析：不只是简单跑跑实验！
MASLab进一步探索：
⚖️仅因评估协议不同，不同MAS方法排名可发生巨大变动！
MASLab研究团队探讨了不同MAS方法使用的评估协议，实验证明——评估方式选择，直接影响科研结论！这一结果直接地证明了MASLab这一统一代码框架对多智能体领域的重要性！
🧬扩展性分析：
考察不同多智能体方法Test-timeCompute的拓展性：
考察不同模型尺寸（7B～72B）对多智能体方法表现的影响：
💥失败分析：详细追踪格式错误、工具调用失败等常见问题源。MAS系统的表现不仅依赖模型「聪明」，更依赖其是否能「听懂指令」。
💬共建未来：开源共享，共创智能新生态！
MASLab不是闭门造车的项目，而是为社区而生的开源平台，欢迎社区贡献！共同打造MAS的标准实验平台！
未来MASLab将持续开源更多方法与基准，推动构建真正可持续发展的MAS研究社区！
🚀MASWorks大模型多智能体开源社区
与此同时，MASLab研究团队近期发起了一个全新的倡议——MASWorks开源社区！愿景是连接全球研究者，汇聚智慧，一同分享、贡献与协作，共同推动MAS领域的蓬勃发展。
作为社区启动的首个重磅活动，MASWorks将在ICML2025举办聚焦大语言模型多智能体的Workshop：MAS-2025！期待全球广大学者的积极参与，共同探讨、碰撞思想，描绘MAS的未来蓝图！
MASWorks：https ://github. com/MASWorksMAS-2025
ICML2025WorkshoponMAS：https ://mas-2025. github.io/MAS-2025/
©THEEND
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin. com
