論文の概要: Drop the Hierarchy and Roles: How Self-Organizing LLM Agents Outperform Designed Structures

• arxiv url: http://arxiv.org/abs/2603.28990v1
• Date: Mon, 30 Mar 2026 20:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.853889
• Title: Drop the Hierarchy and Roles: How Self-Organizing LLM Agents Outperform Designed Structures
• Title（参考訳）: 階層と役割を落とす: 自己組織型LLMエージェントが設計された構造より優れている方法
• Authors: Victoria Dochkina,
• Abstract要約: 本研究では,8つのモデル,4-256エージェント,8つの調整プロトコルにまたがる25,000タスクの計算実験を提案する。 我々は、現在LLMエージェントに自律的行動がすでに出現していることを観察する。 結果はクローズドおよびオープンソースモデル間で複製され、オープンソースはクローズドソース品質の95%を24倍のコストで達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How much autonomy can multi-agent LLM systems sustain -- and what enables it? We present a 25,000-task computational experiment spanning 8 models, 4--256 agents, and 8 coordination protocols ranging from externally imposed hierarchy to emergent self-organization. We observe that autonomous behavior already emerges in current LLM agents: given minimal structural scaffolding (fixed ordering), agents spontaneously invent specialized roles, voluntarily abstain from tasks outside their competence, and form shallow hierarchies -- without any pre-assigned roles or external design. A hybrid protocol (Sequential) that enables this autonomy outperforms centralized coordination by 14% (p<0.001), with a 44% quality spread between protocols (Cohen's d=1.86, p<0.0001). The degree of emergent autonomy scales with model capability: strong models self-organize effectively, while models below a capability threshold still benefit from rigid structure -- suggesting that as foundation models improve, the scope for autonomous coordination will expand. The system scales sub-linearly to 256 agents without quality degradation (p=0.61), producing 5,006 unique roles from just 8 agents. Results replicate across closed- and open-source models, with open-source achieving 95% of closed-source quality at 24x lower cost. The practical implication: give agents a mission, a protocol, and a capable model -- not a pre-assigned role.
• Abstract（参考訳）: マルチエージェントLLMシステムは、どの程度の自律性を維持することができるのか? 本研究では,8つのモデル,4-256エージェント,および8つの協調プロトコルにまたがる25,000タスクの計算実験について述べる。 最小限の構造的足場(固定順序付け)を与えられたエージェントは、特殊の役割を自発的に創出し、能力以外のタスクを自発的に排除し、より浅い階層を形成します。 この自律性を実現するハイブリッドプロトコル(Sequential)は、プロトコル間で品質が44%(Cohen's d=1.86, p<0.0001)で14%(p<0.001)向上する。 強力なモデルは効果的に自己組織化するが、能力しきい値以下のモデルは依然として堅固な構造から恩恵を受ける。 このシステムは、品質劣化のない256個のエージェント(p=0.61)に準線形にスケールし、わずか8個のエージェントから5,006個のユニークなロールを生成する。 結果はクローズドおよびオープンソースモデル間で複製され、オープンソースはクローズドソース品質の95%を24倍のコストで達成している。 現実的な意味:エージェントにミッション、プロトコル、有能なモデルを与える。

関連論文リスト

• Molt Dynamics: Emergent Social Phenomena in Autonomous AI Agent Populations [0.0]
  MoltBookは大規模なマルチエージェント協調環境であり、770,000以上の自律LDMエージェントが人間の参加なしに対話する。 textitMolt Dynamics:創発的エージェント協調行動、エージェント間コミュニケーションダイナミクス、役割特殊化パターンを紹介する。 これらの知見は、分散自律エージェントシステムにおける協調力学の実証的ベースラインを確立した。
  論文  参考訳（メタデータ） (2026-03-03T22:15:27Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Learning to Lead Themselves: Agentic AI in MAS using MARL [0.0]
  本稿では,エージェント人工知能,エージェントが独立して,適応的かつ積極的に行動することで,マルチエージェントシステムにおけるタスク割り当てとコーディネーションを改善する方法について検討する。 協調型マルチエージェント強化学習環境における問題を定式化し、PyTorchにおけるIPPOと呼ばれる軽量なマルチエージェントプロキシポリシー最適化を実装した。 実験はPettingZoo環境で行われ、複数の均質なドローンやエージェントが、明示的なコミュニケーションなしに異なるターゲットをカバーするために自己組織化されなければならない。
  論文  参考訳（メタデータ） (2025-09-24T11:36:07Z)
• LIMI: Less is More for Agency [49.63355240818081]
  LIMI(Less Is More for Intelligent Agency)は、機関が根本的に異なる開発原則に従うことを示す。 高度なエージェント・インテリジェンスは、最小でも戦略的にキュレートされた自律行動のデモンストレーションから生まれる可能性がある。 マシンの自律性はデータの豊富さではなく、高品質なエージェント実証の戦略的キュレーションから生まれる。
  論文  参考訳（メタデータ） (2025-09-22T10:59:32Z)
• OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
  OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。 我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。 我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
  論文  参考訳（メタデータ） (2025-08-07T17:54:15Z)
• SEEA-R1: Tree-Structured Reinforcement Fine-Tuning for Self-Evolving Embodied Agents [58.174206358223415]
  自己進化型エボダイドエージェント(SeEA-R1)は、自己進化型エボダイドエージェント用に設計された最初の強化微細調整フレームワークである。 本研究は,SEEA-R1が自律適応と報酬駆動型自己進化をサポートすることを示す。
  論文  参考訳（メタデータ） (2025-06-26T18:00:07Z)

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。