論文の概要: Lemon Agent Technical Report

• arxiv url: http://arxiv.org/abs/2602.07092v1
• Date: Fri, 06 Feb 2026 10:09:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.441467
• Title: Lemon Agent Technical Report
• Title（参考訳）: レモンエージェント技術報告
• Authors: Haipeng Jiang, Kailong Ren, Zimo Yin, Zhetao Sun, Xin Gan, Guangyi Lv, Ming He, Peng Wang, Congli Yin, Hong Pan, Changwen Zhang, Shan Tong, Zhengyu Xu, Zeping Chen, Yubin Huangfu, Yanzhi Xu, Xing Su, Qin Feng, Dong An, Jianping Fan,
• Abstract要約: Lemon Agentは、新しく提案されたAgentCortexフレームワーク上に構築されたマルチエージェントオーケストレータ・ワーカシステムである。 システムには階層的な自己適応型スケジューリング機構が組み込まれており,オーケストレータ層とワーカ層の両方で動作する。 この2層アーキテクチャにより,グローバルタスクコーディネートとローカルタスク実行の相乗的バランスを実現する。
• 参考スコア（独自算出の注目度）: 12.663220335253529
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advanced LLM-powered agent systems have exhibited their remarkable capabilities in tackling complex, long-horizon tasks. Nevertheless, they still suffer from inherent limitations in resource efficiency, context management, and multimodal perception. Based on these observations, Lemon Agent is introduced, a multi-agent orchestrator-worker system built on a newly proposed AgentCortex framework, which formalizes the classic Planner-Executor-Memory paradigm through an adaptive task execution mechanism. Our system integrates a hierarchical self-adaptive scheduling mechanism that operates at both the overall orchestrator layer and workers layer. This mechanism can dynamically adjust computational intensity based on task complexity. It enables orchestrator to allocate one or more workers for parallel subtask execution, while workers can further improve operational efficiency by invoking tools concurrently. By virtue of this two-tier architecture, the system achieves synergistic balance between global task coordination and local task execution, thereby optimizing resource utilization and task processing efficiency in complex scenarios. To reduce context redundancy and increase information density during parallel steps, we adopt a three-tier progressive context management strategy. To make fuller use of historical information, we propose a self-evolving memory system, which can extract multi-dimensional valid information from all historical experiences to assist in completing similar tasks. Furthermore, we provide an enhanced MCP toolset. Empirical evaluations on authoritative benchmarks demonstrate that our Lemon Agent can achieve a state-of-the-art 91.36% overall accuracy on GAIA and secures the top position on the xbench-DeepSearch leaderboard with a score of 77+.
• Abstract（参考訳）: 近年のLSMによるエージェントシステムは, 複雑で長期のタスクに対処する際, 顕著な能力を示した。 それでも、リソース効率、コンテキスト管理、マルチモーダル知覚に固有の制限に悩まされている。 これらの観測に基づいて、Lemon AgentはAgentCortexフレームワーク上に構築されたマルチエージェントオーケストレータ-ワーカーシステムであり、適応的なタスク実行機構を通じて古典的なプランナー-実行-メモリパラダイムを形式化する。 システムには階層的な自己適応型スケジューリング機構が組み込まれており,オーケストレータ層とワーカ層の両方で動作する。 このメカニズムはタスクの複雑さに基づいて計算強度を動的に調整することができる。 オーケストレータは1つ以上のワーカを並列サブタスクの実行に割り当てることができ、ワーカはツールを同時に呼び出すことで作業効率をさらに向上させることができる。 この2層アーキテクチャにより,グローバルタスクコーディネートとローカルタスク実行の相乗的バランスを達成し,複雑なシナリオにおける資源利用とタスク処理効率を最適化する。 並列ステップにおけるコンテキスト冗長性を低減し,情報密度を高めるために,3段階のプログレッシブ・コンテクスト・マネジメント・ストラテジーを採用する。 歴史的情報をフル活用するために,すべての歴史的経験から多次元有効情報を抽出し,類似タスクの完了を支援する自己進化型メモリシステムを提案する。 さらに,拡張MPPツールセットも提供する。 権威ベンチマークに関する実証的な評価によると、我々のレモンエージェントはGAIAで91.36%の精度を達成でき、スコア77以上でxbench-DeepSearchのリーダーボードの最高位を確保できる。

関連論文リスト

• MAS-Orchestra: Understanding and Improving Multi-Agent Reasoning Through Holistic Orchestration and Controlled Benchmarks [86.05918381895555]
  関数呼び出し強化学習問題としてMASオーケストレーションを定式化する訓練時間フレームワークとしてMASOrchestraを提案する。 MAS-Orchestraでは、複雑なゴール指向のサブエージェントは呼び出し可能な関数として抽象化され、システム構造に対する大域的推論を可能にする。 分析の結果,MASはタスク構造や検証プロトコル,オーケストレータとサブエージェントの両方の機能に大きく依存していることが判明した。
  論文  参考訳（メタデータ） (2026-01-21T04:57:02Z)
• Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
  大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。 既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。 ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
  論文  参考訳（メタデータ） (2025-10-06T10:44:04Z)
• Agentic Lybic: Multi-Agent Execution System with Tiered Reasoning and Orchestration [21.929452003961927]
  Agentic Lybicは、アーキテクチャ全体が有限状態マシン(FSM)として動作する新しいマルチエージェントシステムである 我々は,Agenic Lybicが50ステップで57.07%の成功率を達成し,既存の手法を大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2025-09-14T03:22:27Z)
• AgentOrchestra: Orchestrating Hierarchical Multi-Agent Intelligence with the Tool-Environment-Agent(TEA) Protocol [22.406849007798858]
  本稿では,環境,エージェント,ツールを統一システムに統合するツール-環境-エージェントプロトコルを提案する。 本稿では,複雑な目的を分解し,特殊エージェントをコーディネートする中央計画エージェントを備えた階層型マルチエージェントフレームワークであるAgensOrchestraを紹介する。
  論文  参考訳（メタデータ） (2025-06-14T13:45:37Z)
• OmniNova:A General Multimodal Agent Framework [0.5439020425819]
  特殊なツールを備えた大規模言語モデル(LLM)は、インテリジェントな自動化システムに新たな機会をもたらす。 OmniNovaはモジュール型のマルチエージェント自動化フレームワークで、言語モデルとWeb検索、クローリング、コード実行機能といった特殊なツールを組み合わせる。
  論文  参考訳（メタデータ） (2025-03-25T19:21:01Z)
• PC-Agent: A Hierarchical Multi-Agent Collaboration Framework for Complex Task Automation on PC [98.82146219495792]
  本稿では,PC-Agentという階層型エージェントフレームワークを提案する。 認識の観点からは,現在のMLLMのスクリーンショットコンテンツに対する認識能力の不十分さを克服するために,アクティブ知覚モジュール(APM)を考案する。 意思決定の観点から、複雑なユーザ命令や相互依存サブタスクをより効果的に扱うために、階層的なマルチエージェント協調アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-20T05:41:55Z)
• TaskBench: Benchmarking Large Language Models for Task Automation [82.2932794189585]
  タスク自動化における大規模言語モデル(LLM)の機能を評価するためのフレームワークであるTaskBenchを紹介する。 具体的には、タスクの分解、ツールの選択、パラメータ予測を評価する。 提案手法は, 自動構築と厳密な人的検証を組み合わせることで, 人的評価との整合性を確保する。
  論文  参考訳（メタデータ） (2023-11-30T18:02:44Z)

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。