論文の概要: CodeCRDT: Observation-Driven Coordination for Multi-Agent LLM Code Generation

• arxiv url: http://arxiv.org/abs/2510.18893v1
• Date: Sat, 18 Oct 2025 20:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.141647
• Title: CodeCRDT: Observation-Driven Coordination for Multi-Agent LLM Code Generation
• Title（参考訳）: CodeCRDT:マルチエージェントLLMコード生成のための観測駆動コーディネーション
• Authors: Sergey Pugachev,
• Abstract要約: マルチエージェントLLMシステムは、コストのかかる調整のために並列スピードアップを実現することができない。 エージェントが共有状態を監視することで協調する観測駆動コーディネートパターンであるCodeCRDTを提案する。 600回の試験で評価すると、利点とトレードオフの両方が示され、いくつかのタスクで最大21.1%のスピードアップ、他のタスクで最大39.4%のスローダウン、マージの失敗で100%の収束が達成された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent LLM systems fail to realize parallel speedups due to costly coordination. We present CodeCRDT, an observation-driven coordination pattern where agents coordinate by monitoring a shared state with observable updates and deterministic convergence, rather than explicit message passing. Using Conflict-Free Replicated Data Types (CRDTs), CodeCRDT enables lock-free, conflict-free concurrent code generation with strong eventual consistency. Evaluation across 600 trials (6 tasks, 50 runs per mode) shows both benefits and trade-offs: up to 21.1% speedup on some tasks, up to 39.4% slowdown on others, and 100% convergence with zero merge failures. The study formalizes observation-driven coordination for stochastic LLM agents, revealing semantic conflict rates (5-10%) and quality-performance tradeoffs, and provides empirical characterization of when parallel coordination succeeds versus fails based on task structure.
• Abstract（参考訳）: マルチエージェントLLMシステムは、コストのかかる調整のために並列スピードアップを実現することができない。 我々は、明示的なメッセージパッシングではなく、観測可能な更新と決定論的収束で共有状態を監視することで、エージェントが協調する観察駆動コーディネートパターンであるCodeCRDTを提案する。 Conflict-Free Replicated Data Types (CRDT)を使用して、CodeCRDTはロックフリーで競合のない並列コード生成を可能にする。 600回の試験(6つのタスク、50回のモード)で評価すると、利点とトレードオフの両方が示され、いくつかのタスクで最大21.1%のスピードアップ、他のタスクで最大39.4%のスローダウン、マージ失敗で100%の収束がある。 本研究は, 確率的LLMエージェントの観察駆動コーディネーションを形式化し, セマンティックコンフリクトレート(5-10%)と品質-パフォーマンストレードオフを明らかにし, タスク構造に基づいて並列コーディネーションが成功するか, フェールするかを実験的に評価した。

関連論文リスト

• Emergent Coordination in Multi-Agent Language Models [2.504366738288215]
  マルチエージェントシステムが高次構造の兆候を示すかどうかをテストするための情報理論フレームワークを提案する。 この情報分解により、マルチエージェントLLMシステムに動的に出現するかどうかを測定することができる。 我々は,エージェントの直接通信を使わずに,単純な推測ゲームを用いた実験に本フレームワークを適用した。
  論文  参考訳（メタデータ） (2025-10-05T11:26:41Z)
• Reasoning-Aware Prompt Orchestration: A Foundation Model for Multi-Agent Language Model Coordination [0.0]
  複数の特殊エージェント間の推論を強化する動的プロンプトオーケストレーションのための理論的基盤となるフレームワークを提案する。 このフレームワークは,エージェント移行時の論理的一貫性の維持,推論対応の迅速な適応,分散推論のスケーラブルな調整,という3つの課題に対処する。 1000件の合成マルチエージェント会話実験の結果,推論遅延の42%低減,ROUGE-Lスコアによる論理的整合性の23%改善,文脈損失のないタスク完了の89%の成功率が確認された。
  論文  参考訳（メタデータ） (2025-09-30T22:33:01Z)
• Offline Multi-agent Reinforcement Learning via Score Decomposition [51.23590397383217]
  オフライン協調型マルチエージェント強化学習(MARL)は、分散シフトによる固有の課題に直面している。 この作業は、オフラインとオンラインのMARL間の分散ギャップを明示的に解決する最初の作業である。
  論文  参考訳（メタデータ） (2025-05-09T11:42:31Z)
• Achieving Tighter Finite-Time Rates for Heterogeneous Federated Stochastic Approximation under Markovian Sampling [6.549288471493216]
  我々は,M$エージェントを含む汎用的な近似問題について検討した。 目標は、エージェントがサーバを介して断続的に通信し、エージェントのローカルオペレータの平均のルートを見つけることである。 我々はtexttFedHSA という名の新しいアルゴリズムを開発し、正しい点への収束を保証することを証明した。
  論文  参考訳（メタデータ） (2025-04-15T22:13:55Z)
• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• CoopetitiveV: Leveraging LLM-powered Coopetitive Multi-Agent Prompting for High-quality Verilog Generation [7.2267316594130095]
  既存のアプローチでは、LLM支援のシングルエージェントプロンプトまたは協調のみのマルチエージェント学習が使用されている。 エージェント同士が協調して生成パイプラインを形成することのできない,LLMに基づく協調型マルチエージェントプロンプトフレームワークを提案する。 実験結果から, コーペティティブ・マルチエージェント・フレームワークは, 劣化リスクを効果的に軽減し, エラー伝播を低減できることが示唆された。
  論文  参考訳（メタデータ） (2024-12-15T01:58:10Z)
• Synchronous Faithfulness Monitoring for Trustworthy Retrieval-Augmented Generation [96.78845113346809]
  Retrieval-augmented Language Model (RALMs) は、知識集約型タスクにおいて、高い性能と幅広い適用性を示している。 本稿では,非偽文の検出に微細な復号力学を利用する軽量モニタであるSynCheckを提案する。 また、長文検索拡張生成のためのビームサーチによって導かれる忠実度指向の復号アルゴリズムであるFODを導入する。
  論文  参考訳（メタデータ） (2024-06-19T16:42:57Z)
• DSDF: An approach to handle stochastic agents in collaborative multi-agent reinforcement learning [0.0]
  ロボットの機能低下や老化によって引き起こされるエージェントの真偽が、協調の不確実性にどのように寄与するかを示す。 DSDFは不確実性に応じてエージェントの割引係数を調整し,その値を用いて個々のエージェントのユーティリティネットワークを更新する。
  論文  参考訳（メタデータ） (2021-09-14T12:02:28Z)
• UneVEn: Universal Value Exploration for Multi-Agent Reinforcement Learning [53.73686229912562]
  我々はUniversal Value Exploration(UneVEn)と呼ばれる新しいMARLアプローチを提案する。 UneVEnは、一連の関連するタスクと、普遍的な後継機能の線形分解を同時に学習する。 一連の探索ゲームにおける実証的な結果、エージェント間の重要な調整を必要とする協調捕食・捕食作業への挑戦、およびStarCraft IIのマイクロマネジメントベンチマークは、UneVEnが他の最先端のMARLメソッドが失敗するタスクを解決できることを示している。
  論文  参考訳（メタデータ） (2020-10-06T19:08:47Z)

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。