論文の概要: MAS$^2$: Self-Generative, Self-Configuring, Self-Rectifying Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2509.24323v1
• Date: Mon, 29 Sep 2025 06:20:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.778799
• Title: MAS$^2$: Self-Generative, Self-Configuring, Self-Rectifying Multi-Agent Systems
• Title（参考訳）: MAS$^2$: 自己生成型、自己構成型、自己修正型マルチエージェントシステム
• Authors: Kun Wang, Guibin Zhang, ManKit Ye, Xinyu Deng, Dongxia Wang, Xiaobin Hu, Jinyang Guo, Yang Liu, Yufei Guo,
• Abstract要約: マルチエージェントシステムを自律的に設計するマルチエージェントシステムであるMAS$2$を紹介する。 MAS$2$は、最先端のMASに対して最大19.6%のパフォーマンス向上を達成する。
• 参考スコア（独自算出の注目度）: 40.44248136759827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The past two years have witnessed the meteoric rise of Large Language Model (LLM)-powered multi-agent systems (MAS), which harness collective intelligence and exhibit a remarkable trajectory toward self-evolution. This paradigm has rapidly progressed from manually engineered systems that require bespoke configuration of prompts, tools, roles, and communication protocols toward frameworks capable of automated orchestration. Yet, dominant automatic multi-agent systems, whether generated by external modules or a single LLM agent, largely adhere to a rigid ``\textit{generate-once-and-deploy}'' paradigm, rendering the resulting systems brittle and ill-prepared for the dynamism and uncertainty of real-world environments. To transcend this limitation, we introduce MAS$^2$, a paradigm predicated on the principle of recursive self-generation: a multi-agent system that autonomously architects bespoke multi-agent systems for diverse problems. Technically, we devise a ``\textit{generator-implementer-rectifier}'' tri-agent team capable of dynamically composing and adaptively rectifying a target agent system in response to real-time task demands. Collaborative Tree Optimization is proposed to train and specialize these meta-agents. Extensive evaluation across seven benchmarks reveals that MAS$^2$ achieves performance gains of up to $19.6\%$ over state-of-the-art MAS in complex scenarios such as deep research and code generation. Moreover, MAS$^2$ exhibits superior cross-backbone generalization, effectively leveraging previously unseen LLMs to yield improvements of up to $15.1\%$. Crucially, these gains are attained without incurring excessive token costs, as MAS$^2$ consistently resides on the Pareto frontier of cost-performance trade-offs. The source codes are available at https://github.com/yeyeyeah2/MAS2.
• Abstract（参考訳）: 過去2年間、Large Language Model(LLM)を使ったマルチエージェントシステム(MAS)は、集合的な知性を活用し、自己進化に向けた顕著な軌道を示す。 このパラダイムは、プロンプト、ツール、ロール、通信プロトコルを自動オーケストレーション可能なフレームワークに設定する必要がある、手動で設計されたシステムから急速に進歩している。 しかし、外部モジュールによって生成されるか単一のLLMエージェントによって生成されるかに関わらず、支配的な自動マルチエージェントシステムは、より厳密な ``\textit{generate-once-and-deploy}'' パラダイムに大きく依存しており、実際の環境のダイナミズムや不確実性に対して、結果として生じるシステムは不安定で不適切な状態となる。 この制限を超越するために、我々は再帰的自己生成の原理に基づくパラダイムであるMAS$^2$を紹介した。 技術的には、リアルタイムタスク要求に応じてターゲットエージェントシステムを動的に構成し、適応的に修正できる ``\textit{generator-implementer-rectifier}' のトリエージェントチームを考案する。 協調木最適化はこれらのメタエージェントを訓練・専門化するために提案される。 7つのベンチマークにわたる大規模な評価の結果、MAS$^2$は、ディープリサーチやコード生成のような複雑なシナリオにおける最先端のMASよりも最大19.6\%のパフォーマンス向上を達成することが明らかになった。 さらに、MAS$^2$はより優れたクロスバックボーンの一般化を示し、以前は見えなかったLCMを有効活用して最大15.1\%の改善を得られる。 MAS$^2$はコストパフォーマンストレードオフのパレートフロンティアに常駐するため、これらの利益は過剰なトークンコストを伴わずに達成される。 ソースコードはhttps://github.com/yeyeyeah2/MAS2で公開されている。

関連論文リスト

• $Agent^2$: An Agent-Generates-Agent Framework for Reinforcement Learning Automation [5.325886106098561]
  Agent2$は、完全に自動化されたRLエージェント設計を実現する新しいエージェント生成エージェントフレームワークである。 このフレームワークはRL開発を、MDPモデリングとアルゴリズム最適化の2つの異なる段階に分解する。 MuJoCo、MetaDrive、MPE、SMACを含む幅広いベンチマークの実験では、$Agent2$が手作業で設計したソリューションより一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2025-09-16T02:14:39Z)
• MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision [76.42361936804313]
  自動MAS設計のための自己進化型推論時間フレームワークMAS-ZEROを紹介する。 MAS-ZEROはメタレベルの設計を採用し、各問題インスタンスに適したMAS構成を反復的に生成し、評価し、洗練する。
  論文  参考訳（メタデータ） (2025-05-21T00:56:09Z)
• Multi-agent Architecture Search via Agentic Supernet [17.235963703597093]
  大規模言語モデル(LLM)を利用したマルチエージェントシステムは、個々のエージェントの認知的境界を拡張する。 エージェントの設計を自動化する方法が利用可能であるにもかかわらず、彼らは通常、静的で複雑で、1サイズに適したシステムを見つけ出そうとする。 スーパーネットからクエリ依存エージェントシステムをサンプリングする自動フレームワークであるMASを紹介する。
  論文  参考訳（メタデータ） (2025-02-06T16:12:06Z)
• Transformer-Squared: Self-adaptive LLMs [29.1326358746118]
  そこで我々はTransformer-Squaredという新しい自己適応フレームワークを紹介した。 提案手法は,LoRAなどのユビキタスな手法よりもパラメータが少なく,効率も向上する。 Transformer-Squaredは、LLMの適応性とタスク固有のパフォーマンスを向上させる、スケーラブルで効率的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-01-09T01:19:21Z)
• Cut the Crap: An Economical Communication Pipeline for LLM-based Multi-Agent Systems [42.137278756052595]
  $texttAgentPrune$は、メインストリームのマルチエージェントシステムにシームレスに統合できる。 textbf(I)は、既存のマルチエージェントフレームワークとシームレスに統合され、28.1%sim72.8%downarrow$トークンの削減を行う。 textbf(III)は2種類のエージェントベースの敵攻撃に対して3.5%sim10.8%uparrow$パフォーマンス向上で防御に成功した。
  論文  参考訳（メタデータ） (2024-10-03T14:14:31Z)
• On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents [58.79302663733703]
  大規模言語モデルに基づくマルチエージェントシステムは、専門家エージェントの協力により、様々なタスクにまたがる優れた能力を示している。 不器用なエージェントや悪意のあるエージェントが与える影響 - システム全体のパフォーマンスにおいて、頻繁にタスクでエラーを犯すものは、いまだに過小評価されていない。 本稿では,下流タスクにおける障害要因下での各種システム構造のレジリエンスについて検討する。
  論文  参考訳（メタデータ） (2024-08-02T03:25:20Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。