論文の概要: HyEvo: Self-Evolving Hybrid Agentic Workflows for Efficient Reasoning

• arxiv url: http://arxiv.org/abs/2603.19639v1
• Date: Fri, 20 Mar 2026 04:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.999546
• Title: HyEvo: Self-Evolving Hybrid Agentic Workflows for Efficient Reasoning
• Title（参考訳）: HyEvo: 効率的な推論のための自己進化型ハイブリッドエージェントワークフロー
• Authors: Beibei Xu, Yutong Ye, Chuyun Shen, Yingbo Zhou, Cheng Chen, Mingsong Chen,
• Abstract要約: HyEvoは、異種原子合成を利用する自動生成フレームワークである。 HyEvoは様々な推論とコーディングのベンチマークで既存の手法を一貫して上回っていることを示す。
• 参考スコア（独自算出の注目度）: 23.793366823429633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although agentic workflows have demonstrated strong potential for solving complex tasks, existing automated generation methods remain inefficient and underperform, as they rely on predefined operator libraries and homogeneous LLM-only workflows in which all task-level computation is performed through probabilistic inference. To address these limitations, we propose HyEvo, an automated workflow-generation framework that leverages heterogeneous atomic synthesis. HyEvo integrates probabilistic LLM nodes for semantic reasoning with deterministic code nodes for rule-based execution, offloading predictable operations from LLM inference and reducing inference cost and execution latency. To efficiently navigate the hybrid search space, HyEvo employs an LLM-driven multi-island evolutionary strategy with a reflect-then-generate mechanism, iteratively refining both workflow topology and node logic via execution feedback. Comprehensive experiments show that HyEvo consistently outperforms existing methods across diverse reasoning and coding benchmarks, while reducing inference cost and execution latency by up to 19$\times$ and 16$\times$, respectively, compared to the state-of-the-art open-source baseline.
• Abstract（参考訳）: エージェントワークフローは複雑なタスクを解く強力な可能性を示しているが、既存の自動生成手法は未定義の演算子ライブラリや、全てのタスクレベルの計算が確率的推論によって実行される均一なLLMのみのワークフローに依存するため、非効率で性能が低いままである。 このような制約に対処するため,不均一な原子合成を利用するワークフロー自動生成フレームワークHyEvoを提案する。 HyEvoは、セマンティック推論のための確率的LLMノードと、ルールベースの実行のための決定論的コードノードを統合し、LLM推論から予測可能な操作をオフロードし、推論コストと実行レイテンシを低減する。 ハイブリッド検索空間を効率的にナビゲートするために、HyEvoはLLM駆動の多島進化戦略と反射列生成機構を採用し、実行フィードバックによってワークフロートポロジとノードロジックの両方を反復的に洗練する。 包括的な実験によると、HyEvoはさまざまな推論とコーディングのベンチマークで既存のメソッドを一貫して上回り、最新のオープンソースベースラインと比較して、推論コストと実行遅延をそれぞれ19$\times$と16$\times$に下げている。

関連論文リスト

• Workflow-R1: Group Sub-sequence Policy Optimization for Multi-turn Workflow Construction [25.928675237308074]
  本稿では,ワークフロー構築を多ターン,自然言語に基づく逐次意思決定プロセスとして再構成するフレームワークであるグラデーション-R1を提案する。 GSsPOは、多ターンエージェントシーケンシャル意思決定タスクの幅広いクラスに一般化可能な構造対応RLアルゴリズムとして機能する。
  論文  参考訳（メタデータ） (2026-02-01T12:44:59Z)
• PEFA-AI: Advancing Open-source LLMs for RTL generation using Progressive Error Feedback Agentic-AI [5.455262834289454]
  本稿では,人的介入を伴わずにレジスタ転送レベル(RTL)生成のタスクを協調的に完了する複数のエージェントからなるエージェントフローを提案する。 提案するフローの重要な特徴は,自己修正機構であるエージェントのプログレッシブエラーフィードバックシステム(PEFA)である。 コード生成に対するこの適応的アプローチを検証するために、ベンチマークは2つのオープンソース自然言語-RTLデータセットを使用して実行される。
  論文  参考訳（メタデータ） (2025-11-06T00:19:47Z)
• Agentic Reinforced Policy Optimization [66.96989268893932]
  検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。 現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。 エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
  論文  参考訳（メタデータ） (2025-07-26T07:53:11Z)
• Flow: Modularized Agentic Workflow Automation [53.073598156915615]
  大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。 しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。 本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。 提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
  論文  参考訳（メタデータ） (2025-01-14T04:35:37Z)
• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)
• FactorLLM: Factorizing Knowledge via Mixture of Experts for Large Language Models [50.331708897857574]
  本稿では,高度に訓練された高密度FFNを余分なサブネットワークに分解する新しいアプローチであるFacterLLMを紹介する。 FactorLLMは、最大85%のモデル性能を確保しながら、推論速度を30%以上増加させながら、ソースモデルに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-08-15T16:45:16Z)

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。