論文の概要: Agentic Aggregation for Parallel Scaling of Long-Horizon Agentic Tasks

• arxiv url: http://arxiv.org/abs/2604.11753v1
• Date: Mon, 13 Apr 2026 17:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.717779
• Title: Agentic Aggregation for Parallel Scaling of Long-Horizon Agentic Tasks
• Title（参考訳）: 長軸エージェントタスクの並列スケーリングのためのエージェント集約
• Authors: Yoonsang Lee, Howard Yen, Xi Ye, Danqi Chen,
• Abstract要約: 本研究では,エージェント探索やディープリサーチなどの長期エージェントタスクに対する並列テスト時間スケーリングについて検討する。 並列軌道を環境として扱うアグリゲーションエージェントであるAggAgentを提案する。
• 参考スコア（独自算出の注目度）: 33.36477179106684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study parallel test-time scaling for long-horizon agentic tasks such as agentic search and deep research, where multiple rollouts are generated in parallel and aggregated into a final response. While such scaling has proven effective for chain-of-thought reasoning, agentic tasks pose unique challenges: trajectories are long, multi-turn, and tool-augmented, and outputs are often open-ended. Aggregating only final answers discards rich information from trajectories, while concatenating all trajectories exceeds the model's context window. To address this, we propose AggAgent, an aggregation agent that treats parallel trajectories as an environment. We equip it with lightweight tools to inspect candidate solutions and search across trajectories, enabling it to navigate and synthesize information on demand. Across six benchmarks and three model families (GLM-4.7, Qwen3.5, MiniMax-M2.5), AggAgent outperforms all existing aggregation methods-by up to 5.3% absolute on average and 10.3% on two deep research tasks-while adding minimal overhead, as the aggregation cost remains bounded by a single agentic rollout. Our findings establish agentic aggregation as an effective and cost-efficient approach to parallel test-time scaling.
• Abstract（参考訳）: 本研究では,エージェント検索やディープリサーチなどの長期エージェントタスクに対する並列テスト時間スケーリングについて検討し,複数のロールアウトを並列に生成して最終応答に集約する手法を提案する。 このようなスケーリングはチェーン・オブ・シークレットの推論に有効であることが証明されているが、エージェント的なタスクにはユニークな課題が生じる。 最終回答のみを集約することは、トラジェクトリから豊富な情報を破棄する一方で、すべてのトラジェクトリを連結することは、モデルのコンテキストウインドウを超える。 そこで本稿では,並列軌道を環境として扱うアグリゲーションエージェントであるAggAgentを提案する。 候補ソリューションを検査し、トラジェクトリをまたいだ検索を行うための軽量なツールを備えており、必要に応じて情報をナビゲートし、合成することができる。 6つのベンチマークと3つのモデルファミリ(GLM-4.7、Qwen3.5、MiniMax-M2.5)で、AggAgentは既存のアグリゲーションメソッドを平均で5.3%まで上回り、2つのディープリサーチタスクでは10.3%で上回っている。 本研究は, 並列テスト時間スケーリングに対する有効かつ費用効率のよいアプローチとして, エージェントアグリゲーションを確立した。

関連論文リスト

• InfoSeeker: A Scalable Hierarchical Parallel Agent Framework for Web Information Seeking [39.22757710468795]
  ほぼ分解可能性の原理に基づく階層型フレームワークであるフレームワークを,戦略的textitHost,複数textitManagers,並列textitWorkersを含む。 マネージャ層でのアグリゲーションとリフレクションのメカニズムを活用することで、我々のフレームワークは飽和やエラーの伝播を防ぐために厳密なコンテキスト分離を実行します。 2つの補完ベンチマークによる評価は、効率(3～5倍のスピードアップ)と有効性の両方を示し、WideSearch-enで8.4%、BrowseComp-zhで52.9%の精度を達成した。
  論文  参考訳（メタデータ） (2026-04-03T11:19:17Z)
• Search More, Think Less: Rethinking Long-Horizon Agentic Search for Efficiency and Generalization [64.61432234404276]
  emphSearch More, Think Less (SMTL) は、効率性と一般化の両方をターゲットとした長期エージェント検索のためのフレームワークである。 我々は、教師付き微調整と強化学習を用いてエンドツーエンドエージェントを訓練し、ベンチマーク全体にわたって、強固で頻繁なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-02-26T06:46:41Z)
• W&D:Scaling Parallel Tool Calling for Efficient Deep Research Agents [48.22725588392165]
  そこで本稿では,エージェントの動作と性能を,深さだけでなく幅を並列ツールコールでスケーリングする際のフレームワークを提案する。 本研究では,スケーリング幅が深層調査ベンチマークの性能を著しく向上すると同時に,正しい回答を得るために必要なターン数を削減できることを実証する。 以上の結果から,幅と深さのトレードオフを最適化することが,高効率深層研究エージェントへの重要な経路であることが示唆された。
  論文  参考訳（メタデータ） (2026-02-07T04:49:53Z)
• WideSeek: Advancing Wide Research via Multi-Agent Scaling [29.02742625120584]
  ワイドリサーチ(英: Wide Research)は、複雑な制約の下で複雑な情報を並列に合成・合成するためのパラダイムである。 データパイプラインとエージェント最適化という2つの観点から、ワイドリサーチを深く掘り下げています。 まず、厳密な多相データパイプラインを用いて構築されたベンチマークであるWideSeekBenchを作成し、ターゲット情報ボリュームの多様性を保証する。 第2に,タスク要求に基づいて並列サブエージェントを自律的にフォークできる動的階層型マルチエージェントアーキテクチャであるWideSeekを紹介する。
  論文  参考訳（メタデータ） (2026-02-02T18:32:48Z)
• AgentSynth: Scalable Task Generation for Generalist Computer-Use Agents [60.881609323604685]
  Agent Synthはスケーラブルで費用効率のよいパイプラインで、高品質なタスクとトラジェクトリデータセットを自動的に合成する。 我々のパイプラインは1軌道あたりの平均コストが0.60ドルで、人間のアノテーションよりも桁違いに安い。
  論文  参考訳（メタデータ） (2025-06-17T05:46:52Z)
• AgentSwift: Efficient LLM Agent Design via Value-guided Hierarchical Search [58.98450205734779]
  大規模言語モデル(LLM)エージェントは、多様なドメインにまたがる強力な機能を示している。 既存のエージェントサーチ手法には3つの大きな制限がある。 これらの課題に対処するための包括的なフレームワークを導入します。
  論文  参考訳（メタデータ） (2025-06-06T12:07:23Z)
• Iterative Tool Usage Exploration for Multimodal Agents via Step-wise Preference Tuning [68.00304954972232]
  コントローラ、例えば視覚言語モデルと外部ツールを統合するマルチモーダルエージェントは、複雑なマルチモーダルタスクに対処する際、顕著な能力を示した。 これらのエージェントを訓練するための既存のアプローチは、広範囲なヒューマン・アノテートされたタスク・アンサー・ペアとツール・トラジェクトリに依存している。 本研究では,事前に収集したデータのないマルチモーダルエージェント,すなわち SPORT の反復ツール利用探索手法を提案する。 Sportには、タスク合成、ステップサンプリング、ステップ検証、優先度調整の4つの反復的なコンポーネントがある。
  論文  参考訳（メタデータ） (2025-04-30T12:01:27Z)
• Multi-Agent Sampling: Scaling Inference Compute for Data Synthesis with Tree Search-Based Agentic Collaboration [81.45763823762682]
  本研究の目的は,マルチエージェントサンプリングによるデータ合成の問題を調べることでギャップを埋めることである。 逐次サンプリングプロセス中にワークフローが反復的に進化する木探索に基づくオーケストレーションエージェント(TOA)を紹介する。 アライメント、機械翻訳、数学的推論に関する実験は、マルチエージェントサンプリングが推論計算スケールとしてシングルエージェントサンプリングを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-12-22T15:16:44Z)

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。