论文一链接：Mo’ Models, Mo’ Problems: How to best select model pools when designing Multi-Agent Systems 论文二链接：Co-Skill: A Collaborative Communication Framework for Skill Evolution 发表时间：2026年9月 机构一：University of Copenhagen + NVIDIA（高校+企业实习合作）；机构二：Harbin Institute of Technology, Shenzhen 领域标签：cs.MA / cs.AI
一、论文背景
共享背景：多 agent 系统从"能不能协作"进入"怎么协作得好"。MAS 两大主流形态：before-generation（路由器选模型再答）与 after-generation（多模型各答再聚合：投票/裁判）。两个工程瓶颈浮现——
瓶颈一（Mo’ Models）：HuggingFace 已有近 300 万模型（两个月新增 15 万+），MAS 该选哪些模型进池？直觉说"多多益善、越杂越好"，经典集成学习也讲多样性——但对 LLM MAS 成立吗？
瓶颈二（Co-Skill）：成本高效的混合演化范式（云端大模型生成 skill、边缘小模型执行内化）已有 SkillRL 等实现，但成功率低、token 高——病根在哪？
二、论文定位和关联工作
| 研究脉络 | 代表工作 | 核心思想 | 与两文关键区别 |
|---|---|---|---|
| MAS 路由 | RouteLLM、AvengersPro | 查询→模型映射 | Mo’ Models：路由器的候选池本身怎么选 |
| MAS 聚合 | majority voting、GenSelect | 多答合一 | Mo’ Models：聚合对异构弱成员的鲁棒性审计 |
| 异构 MAS | DeePEn、LLM-Blender | 异构组合尝试 | 结果不稳定，无系统选型研究 |
| skill 演化 | SkillRL、Skill0 | 云生成/边内化 | Co-Skill：双向感知通信结构 |
| 边云协同 | 边缘 RL 系工作 | 边缘侧优化 | Co-Skill：通信内容结构化 |
定位结论：两文分别卡住 MAS 的入口（选谁）与通道（怎么说话）——Mo’ Models 首次系统研究模型池选择；Co-Skill 首次把边云 skill 演化的通信做结构化。
三、问题定义
Mo’ Models：给定模型空间 M（百万级），如何选子集 C⊂M 使 MAS（路由/投票/裁判三种架构）实际性能最优？核心张力：oracle（理想上界）随池扩大单调升，实际性能为何不跟？
Co-Skill：云端 LLM 分析边缘 SLM 轨迹生成 skill、边缘执行内化——“盲通信”（云端不知边缘能做什么、边缘不知云端要什么）如何消除？核心张力：上传原始轨迹 token 冗余 25-42%、下行指令超出边缘执行粒度。
合读抽象：多 agent 协作的收益取决于成员间信息结构——Mo’ Models 证明"成员能力分布"决定聚合能否放大（嵌套解集下加噪声成员是纯减分）；Co-Skill 证明"通信编码"决定协作成本（结构化 trie/树 vs 平面文本）。
四、问题解法
Mo’ Models：八策略×两架构的 oracle-achieved 对照
23 模型（6 族、2B-1.6T、4 个科学专用）×8 选择策略（大小/家族/LLM 挑选/准确率/IoU 正确答案多样性/误差多样性/准确率×多样性组合）在 HLE/GPQA/Frontier Science 上：先测 oracle（池内任一模型答对即算对的 pass@1 上界），再测实际三种 MAS（AvengersPro 式路由 / E5 聚类 majority vote / GenSelect 式锦标赛 LLM judge），ΔMAS Gain=相对池内最佳单模型的增益。
Co-Skill：双向感知三件套
(1) 云感知前缀合并轨迹 trie：边缘把轨迹按共享前缀合并成 trie、标出分叉点——云端沿树对比成功/失败路径即定位"哪个行为差异导致分叉"（对比学习），上传 token 大减；(2) 边缘感知渐进 skill 树：云端不一次下发全量 skill，而是按边缘能力逐层展开（L0→L5），每层观察边缘稳定后再加深；(3) 分离式演化：云端演化 skill 上下文+温度制库管理（Idle→Active→Resident），边缘可选 GRPO RL+自顶向下剪枝把 skill 内化进参数。云端 DeepSeek-V4-Pro，边缘 Qwen3-4B-Thinking。
五、评估指标与实验证据
| 论文 | 发现 | 关键数字 | 证明什么 |
|---|---|---|---|
| Mo’ Models | oracle-achieved 鸿沟 | 扩池几乎总使实际性能低于最佳单模型 | “多多益善"被证伪 |
| Mo’ Models | 同族唯一稳定 | 同家族池是唯一稳定正收益策略（Gemma4/OLMo3 偶有真提升） | 聚合需要行为兼容性 |
| Mo’ Models | 解集嵌套 | 准确模型正确答案 Mantel rM=0.931、误差仅 0.384 | 正确趋同/错误分散→投票失稳 |
| Mo’ Models | specialist 神话破灭 | 物理/化学微调模型不优于通用底座（同底座对照） | 训练数据主导≠域增益 |
| Mo’ Models | 同构对照 | 同构 MAS 随复杂度/成员数单调升（majority@5 29.4→32.2、judge@5 36.5） | 现成架构为同构设计 |
| Co-Skill | token 冗余实证 | raw 轨迹 25.0-41.8% token 是重复前缀 | 盲上传的浪费可量化 |
| Co-Skill | 总收益 | token 较 SOTA 省 15.6-41.9%、成功率 +25.8-76.4% | 结构化通信双向有效 |
| Co-Skill | 复杂任务优势 | Clean/Cool 任务云方案退化 45%/35% 时 Co-Skill 达 88.9-90.5% | 渐进树匹配边缘能力 |
证明力分析：Mo’ Models 最强的设计是"oracle-实际"双轨——单看 oracle 会以为 Accuracy×多样性组合前景最好（上界高），实际跑出来反而低于随机池——鸿沟本身是发现。rM=0.931/0.384 的不对称是机制解释的关键证据：正确答案趋同使多数票的"多数"无信息、错误分散使错误答案互不相同——聚合机制在此分布下天然失效。Co-Skill 的trie 效率图（每任务 token/USD 绝对值标注）与渐进树分级实验（L0-L5 各级边缘成功率）把"结构化为什么省"落到可检验的中间量上。
六、效果优势的根源解释
根源机制与证据链（Mo’ Models）
- 高准确模型的解集嵌套使多样性池无红利（论文实验已支持）：准确者都对同批题、错误者各错各的——投票时正确票型分散度低于错误票型的现象不存在，“少数服从多数"反而可能被系统性带偏；LLM judge 对弱成员答案的甄别也不可靠（多数意图子集低于随机池）。机制链：能力同质化→解集嵌套→加异构成员=加噪声成员→聚合输出质量下滑。
- 同族正收益的机制是"行为兼容性”（论文实验已支持）：同族模型错误模式相似（聚类证据），聚合时弱成员的错误至少与强成员相关——可被投票纠正；跨族错误正交分散，反而稀释正确票。
- 能力-选型脱节：specialist 的域增益未兑现（论文实验已支持）：微调数据主导不转化为域内正确答案多样性——选型不能看 model card 叙事，必须实测。
根源机制与证据链（Co-Skill）
- 前缀 trie 把"找差异"从文本 sift 变成树对比（论文实验已支持）：失败原因在轨迹分叉点——trie 结构让云端 O(分叉) 而非 O(全文) 定位，25-42% 冗余前缀不再上传。
- 渐进树让指令粒度匹配执行能力（论文实验已支持）：一次性下发全量 skill 时边缘"消化不了”（brittle execution）；逐层展开在边缘成功率稳定处停住——L0-L5 分级实验直接显示"稳定/不稳定/过拟合"三区。
- 分离演化尊重能力不对称（论文设计+消融支持）：云端适合反思与抽象（不宜 RL——太贵）、边缘适合 RL 内化（缺推理容量）——各做擅长的。
相关工作检索与对照
| 研究 | 相似尝试 | 相关结论 | 与本文差异 | 影响 |
|---|---|---|---|---|
| DeePEn（2404.01522） | 异构 MAS 聚合 | 非单调改进 | 单架构小规模 | 支持：异构不稳定有先例 |
| LLM-Blender（2306.02561） | 多模型融合 | 跨数据集不稳 | 融合器视角 | 支持：聚合鲁棒性问题真实 |
| 经典集成理论（Dietterhoff 2000 综述线） | 误差多样性→收益 | 需 error diversity | 传统 ML | 对照：LLM 的正确答案趋同破坏前提 |
| SkillRL（Co-Skill 引用） | 平面 skill 库云更新 | 混合演化可行 | 盲通信 | 对照：Co-Skill 的直接基线 |
| Skill0（2603 系） | 边缘 RL+固定 skill | 边缘内化可行 | 无云端分析 | 支持：分离演化的边缘侧 |
| Mixture-of-Agents（2406.04692） | 同构 MoA 层级 | 同构多样有效 | 同构为主 | 支持：同构收益与本文同构对照一致 |
相反结论检索：存在主张"异构多样性提升 MAS"的工作（如 MoA 部分设置、Yang et al. 2026 防饱和论）——本文如实呈现张力并给出适用条件拆解：多样性在同构（提示/实例级）下有效、在异构跨族下于其基准上失效；任务域（科学推理）与聚合架构（简单三式）是边界条件，非普适否定。
综合判断与未决问题
多研究共同支持：异构 MAS 不稳定（DeePEn/LLM-Blender+Mo’ Models）；同构多样性有效（MoA+本文同构对照）；结构化通信优于平面文本（Co-Skill vs SkillRL）。仍属推测：更聪明聚合器（学习式融合/校准加权）能否救活异构池——本文只测三种简单架构；Co-Skill 的树结构在开放域（非 ALFWorld/WebShop 类任务）的可扩展性。适用边界：Mo’ Models 限科学推理三基准+简单聚合；Co-Skill 限两个交互基准+特定云边模型对。失效条件：成员能力代差极大（一个前沿+若干玩具）时聚合可能退化为"选最好"——此时路由（before-generation）优于聚合，与本文路由结果一致。
七、必要知识反推
领域知识层：MAS 架构分类（路由/投票/裁判的能力与失效面）；HuggingFace 模型生态的实际构成（族系/规模/专用变体分布）——选型研究的池设计要反映真实选择空间；边云协同的约束（带宽、边缘算力、延迟）。
方法论知识层：oracle-actual 双轨评估（上界与达成的分离）；Mantel 检验/Spearman 相关的距离矩阵分析；逐层能力探测（渐进树的 L0-L5 稳定性判据）；对比学习直觉（分叉点=因果行为差异）。
工程知识层：轨迹压缩的 trie 数据结构实现；RocksDB skill 库与温度制生命周期管理；verl 框架的 GRPO 边缘训练。
知识融合关键节点：Mo’ Models 的枢纽是把经典集成学习的理论前提（误差多样性）拿来逐条审计 LLM 场景是否满足——发现"正确答案趋同"这个前提破坏点，需要同时懂集成理论（知道前提是什么）与 LLM 评测（能量化趋同度）。Co-Skill 的枢纽是"通信的信息论视角"——把协作双方当作信源信宿，问"信道上传的是什么、该传什么"。
八、通用性灵感
- 加成员前先测解集分布：如果潜在成员对同一批问题的答案高度趋同，加入他们只增加聚合噪声——选型看"错误模式相似度"而非"能力分数"（论文证据：rM=0.931/0.384 不对称）。推广： committees（观点趋同的专家团没有集体智慧）、投资组合（相关性高的资产加仓不分散风险）、多源信息验证（转载链不算独立信源）。
- “多多益善"在聚合系统里是可证伪假设：oracle 上界单调升而实际达成下降——上界与达成的鸿沟要同时报（论文证据：oracle-actual 双轨设计）。推广：人才招聘（候选人池越大录取质量未必越高——筛选机制承载不了）、并行计算（核数超过任务可分性后通信开销反噬）。
- 专家承诺要实测兑现：微调数据主导不等于域内增益——“物理专家模型"在物理题上未必胜过通才（论文证据：specialist 对照实验）。推广：资历≠绩效（头衔承诺需行为证据）、专业软件未必优于通用工具的特定场景。
- 通信要按接收方能力分层编码：一次性发全量信息对方消化不了时，渐进式披露（按稳定判据逐层加深）优于全量灌输（论文证据：渐进树 L0-L5 三区实验）。推广：教育（因材施教的分层教材）、API 设计（渐进式文档 onboarding）、医患沟通（按理解力分层告知病情）。
- 差异定位在"分叉点”：把轨迹存成树，比较成本从 O(n) 降到 O(分叉)：成功与失败的差异藏在分叉处——前缀合并让"找不同"变成树对比（论文证据：25-42% 前缀冗余消除）。推广：debug（diff 而非全文 review）、A/B 测试（找行为分岔的变量）、版本控制（增量提交的意义）。