DynaFlow научил Qwen3.5-27B управлять субагентами и поднял точность с 75,9% до 88,1%.

Исследователи из National University of Singapore представили DynaFlow: фреймворк, в котором главный агент сам решает, нужна ли ему команда субагентов, и если нужна, пишет для неё скрипт под конкретную задачу. После дообучения по рецепту DynaFlow точность Qwen3.5-27B на шести бенчмарках выросла с 75,9% до 88,1%, а почти половину ответов модель выдаёт без привлечения субагентов. Это позволяет заметно экономить на вычислениях. Код открыт на GitHub, так что любой исследователь может подключить DynaFlow к своей модели через API.

Зачем это понадобилось

Когда Qwen3.5-27B без обучения разрешили использовать субагентов, её средняя точность на шести бенчмарках упала с 72% до 65%, а на олимпиадной математике AIME 2024 и 2025 с 93% до 63%. Модель отдавала всю задачу одному агенту, а в команде агенты почти не обменивались результатами: вывод одного доходил до следующего лишь в 13% случаев. Значит, модель нужно учить руководить субагентами.

Как устроен DynaFlow

На каждом шаге главный агент выбирает одно из трёх действий: ответить, вызвать инструмент вроде веб-поиска или написать workflow. Workflow: скрипт на JavaScript, где расписано, какие субагенты работают параллельно, какие по очереди, кто кому передаёт результаты и кто их проверяет. Главный агент представлен дообученной Qwen3.5-27B, а субагенты представлены той же моделью без дообучения, которая каждый раз получает свою роль и инструкцию. Рецепт дообучения главного агента подробно описан в статье.

Три режима работы

• Direct: главный агент отвечает сам, без команды;
• Dynamic: сам решает, звать ли субагентов;
• Forced: всегда запускает субагентов.

Как обучали

Модель GLM-5.3 Max выступила в качестве учителя: около 2 тысяч её верных решений стали обучающими примерами. Затем DeepSeek-V4.1-Flash в роли судьи отсеял решения с плохой организацией команды. Осталось 712 примеров. Дообучали через QLoRA полтора дня на двух H100.

Результаты

• 88,1% на 688 задачах, это на 10,9 п.п. лучше сильнейшего из конкурентов: метода Self-Refine;
• все 90 олимпиадных задач AIME 2024-2026 решены без ошибок;
• в режиме Dynamic модель почти половину вопросов (47%) решает сама и зовёт на 41% меньше субагентов на задачу, чем в Forced, а точность остаётся почти той же: 87,9% против 88,1%;
• команды стали устроены сложнее: доля скриптов, где параллельные этапы сочетаются с последовательными, выросла с 3,4% до 85,6%, а результаты одного агента теперь передаются следующему в 97,7% скриптов вместо 12,6%.

Обучали только на задачах с поиском, а сильнее всего выросла математика: на PolyMATH с 70% до 90,5%. Это похоже на эмерджентность: модель освоила не конкретный тип задач, а умение организовывать команду, и это умение сработало там, где её не тренировали.