본 논문은 다중 에이전트 협업을 위한 간단하면서도 표현력이 풍부한 프레임워크인 MAC-Flow를 제시한다. MAC-Flow는 오프라인 데이터의 다양한 공동 행동을 풍부하게 표현하고, 실시간으로 효율적으로 행동할 수 있도록 설계되었다. 기존 방식들이 성능과 계산 비용 사이에서 trade-off를 보이는 문제를 해결하기 위해, MAC-Flow는 먼저 공동 행동의 flow-based 표현을 학습한 다음, 이를 분산된 one-step 정책으로 증류하여 협업을 유지하면서 빠른 실행을 가능하게 한다. 12개의 환경과 34개의 데이터 세트를 포함하는 4가지 벤치마크에서, MAC-Flow는 확산 기반 MARL 방법보다 약 14.5배 빠른 추론 속도를 달성하면서도, 좋은 성능을 유지하며, 기존 Gaussian policy 기반 오프라인 MARL 방법과 유사한 추론 속도를 보인다.
