論文の概要: EvolveRouter: Co-Evolving Routing and Prompt for Multi-Agent Question Answering

• arxiv url: http://arxiv.org/abs/2604.05149v1
• Date: Mon, 06 Apr 2026 20:24:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.476578
• Title: EvolveRouter: Co-Evolving Routing and Prompt for Multi-Agent Question Answering
• Title（参考訳）: EvolveRouter:マルチエージェント質問応答のためのルーティングとプロンプトの共同開発
• Authors: Jiatan Huang, Zheyuan Zhang, Kaiwen Shi, Yanfang Ye, Chuxu Zhang,
• Abstract要約: エージェントの品質と協調構造を協調的に改善し,制約に対処する訓練可能なフレームワークを提案する。 Evolveは、F1と正確な一致の両方において、SOTAルーティングベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 39.31752433999864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model agents often exhibit complementary strengths, making routing a promising approach for multi-agent question answering. However, existing routing methods remain limited in two important ways: they typically optimize over a fixed pool of agents without improving the agents themselves, and they often rely on rigid collaboration schemes that cannot adapt the number of participating agents to the query. We propose EvolveRouter, a trainable framework that addresses both limitations by jointly improving agent quality and collaboration structure. First, EvolveRouter couples graph-based query routing with targeted instruction refinement in a closed-loop co-evolution process, allowing router diagnostics to guide agent improvement while refined agents provide cleaner supervision for routing. Second, it introduces an adaptive inference strategy that dynamically determines the effective collaboration size for each query through router-weighted answer agreement. Together, these designs enable more capable and more efficient multi-agent reasoning. Experiments on five question answering benchmarks show that EvolveRouter consistently outperforms SOTA routing baselines in both F1 and exact match, while further analysis confirms the benefits of closed-loop refinement and adaptive collaboration.
• Abstract（参考訳）: 大規模言語モデルエージェントはしばしば相補的な強みを示し、ルーティングはマルチエージェントの質問応答に有望なアプローチである。 しかし、既存のルーティング手法は2つの重要な方法で制限されている: エージェント自体を改善することなく、通常エージェントの固定プールを最適化し、しばしばクエリに加入するエージェントの数に適応できない厳密な協調スキームに依存する。 EvolveRouterは,エージェントの品質と協調構造を協調的に改善し,両方の制約に対処する訓練可能なフレームワークである。 まずEvolveRouterは、グラフベースのクエリルーティングと、ターゲットとする命令の洗練とを、クローズドループの共進化プロセスで結合し、ルータ診断によりエージェントの改善をガイドし、洗練されたエージェントはルーティングのよりクリーンな監視を提供する。 第2に、ルータ重み付き回答契約を通じて、各クエリの効果的な協調サイズを動的に決定する適応型推論戦略を導入する。 これらの設計により、より有能で効率的なマルチエージェント推論が可能になる。 5つの質問応答ベンチマークの実験では、EvolveRouterはF1と正確な一致の両方でSOTAルーティングベースラインを一貫して上回り、さらに分析によってクローズドループの洗練と適応的なコラボレーションの利点が確認されている。

関連論文リスト

• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• TCAndon-Router: Adaptive Reasoning Router for Multi-Agent Collaboration [0.9564467981235256]
  マルチエージェントシステム(MAS)は、高性能なインテリジェントアプリケーションを構築するための強力なパラダイムとなっている。 これらのシステム内では、特定のクエリを処理する専門家エージェントを決定するルータが、全体的なパフォーマンスにおいて重要な役割を果たす。 これらの課題に対処するため,マルチエージェント協調のための適応推論ルータTCAndon-TCARを提案する。 公開データセットと実際のエンタープライズデータの実験は、TARがルーティングの正確性を大幅に改善し、ルーティングの競合を低減し、あいまいなシナリオで堅牢であることを示している。
  論文  参考訳（メタデータ） (2026-01-08T03:17:33Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory [57.449129198822476]
  RCRは、マルチエージェント大言語モデル(LLM)システムのためのロールアウェアコンテキストルーティングフレームワークである。 役割とタスクステージに基づいて、各エージェントに対して意味的に関連するメモリサブセットを動的に選択する。 軽量スコアリングポリシは、メモリ選択をガイドし、エージェント出力を共有メモリストアに統合する。
  論文  参考訳（メタデータ） (2025-08-06T21:59:34Z)
• Talk to Right Specialists: Routing and Planning in Multi-agent System for Question Answering [47.29580414645626]
  RopMuraは、複数の知識ベースを統一的なRAGベースのエージェントに統合する、新しいマルチエージェントシステムである。 RopMuraには2つの重要なコンポーネントがある。知識境界に基づいて最も関連性の高いエージェントをインテリジェントに選択するルータと、複雑なマルチホップクエリを管理可能なステップに分解するプランナだ。
  論文  参考訳（メタデータ） (2025-01-14T03:25:26Z)
• PARCO: Parallel AutoRegressive Models for Multi-Agent Combinatorial Optimization [25.209951743372855]
  PARCOはマルチエージェントタスクのための高品質なソリューションを効率的に構築するために設計された強化学習フレームワークである。 マルチエージェント車両のルーティングとスケジューリングにおけるPARCOの評価を行い,提案手法は最先端の学習方法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-09-05T17:49:18Z)

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。