論文の概要: Graph-of-Agents: A Graph-based Framework for Multi-Agent LLM Collaboration

• arxiv url: http://arxiv.org/abs/2604.17148v1
• Date: Sat, 18 Apr 2026 21:13:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.35953
• Title: Graph-of-Agents: A Graph-based Framework for Multi-Agent LLM Collaboration
• Title（参考訳）: Graph-of-Agents:マルチエージェントLLMコラボレーションのためのグラフベースのフレームワーク
• Authors: Sukwon Yun, Jie Peng, Pingzhi Li, Wendong Fan, Jie Chen, James Zou, Guohao Li, Tianlong Chen,
• Abstract要約: Graph-of-Agents (GoA)はマルチエージェントLLM通信をモデリングするための新しいグラフベースのフレームワークである。 GoAは3つの選択されたエージェントしか使用せず、最近のマルチエージェントLCMベースラインよりも優れたパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 57.23877089929136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With an ever-growing zoo of LLMs and benchmarks, the need to orchestrate multiple models for improved task performance has never been more pressing. While frameworks like Mixture-of-Agents (MoA) attempt to coordinate LLMs, they often fall short in terms of (1) selecting relevant agents, (2) facilitating effective intra-agent communication, and (3) integrating responses efficiently. In this work, we propose Graph-of-Agents (GoA), a new graph-based framework for modeling multi-agent LLM communication. Our approach begins with node sampling, selecting only the most relevant agents by leveraging model cards that summarize each model's domain, task specialization, and other characteristics. Next, we construct edges between the selected agents by evaluating their responses against one another to determine relevance ordering. Directed message passing is then performed from highly relevant agents to less relevant ones to enhance their responses, followed by reverse message passing to refine the original responses of the more relevant agents. Finally, the updated responses are aggregated via graph-based pooling (e.g., max or mean pooling) to produce a single, unified answer. We evaluate GoA on diverse multi-domain benchmarks (MMLU, MMLU-Pro, GPQA) and domain-specific benchmarks (MATH, HumanEval, MedMCQA), with an agent pool of 6 LLMs spanning multiple domains. Surprisingly, GoA achieves superior performance using only 3 selected agents, outperforming recent multi-agent LLM baselines that utilize all 6 agents simultaneously. By adopting a graph structure, GoA offers both scalability and effectiveness through structured message passing-positioning it as a strong candidate for navigating the challenges of the ever-growing LLM zoo. Code is available at: https://github.com/UNITES-Lab/GoA.
• Abstract（参考訳）: LLMとベンチマークの絶え間なく成長している動物園では、タスクパフォーマンスを改善するために複数のモデルを編成する必要性は決して迫られていない。 混合エージェント (Mixture-of-Agents, MOA) のようなフレームワークはLSMをコーディネートしようとするが,(1) 関連エージェントの選択,(2) 効果的なエージェント間コミュニケーションの促進,(3) 応答の効率的な統合といった観点からは不足することが多い。 本研究では,マルチエージェント LLM 通信をモデリングするためのグラフベースの新しいフレームワークである Graph-of-Agents (GoA) を提案する。 提案手法はノードサンプリングから始まり,各モデルのドメイン,タスクの専門化,その他の特徴を要約したモデルカードを活用することで,最も関連性の高いエージェントのみを選択する。 次に,選択したエージェント間のエッジを相互に評価し,関連性順序を決定する。 指示されたメッセージパッシングは、高度に関連性の高いエージェントからより関連性の高いエージェントに実行され、応答を強化する。 最後に、更新されたレスポンスは、グラフベースのプーリング(例えば、最大または平均プーリング)を介して集約され、単一の統一された回答を生成する。 多様なマルチドメインベンチマーク (MMLU, MMLU-Pro, GPQA) とドメイン固有ベンチマーク (MATH, HumanEval, MedMCQA) でGoAを評価する。 驚いたことに、GoAは3つの選択されたエージェントしか使用せず、同時に6つのエージェントを利用する最近のマルチエージェントLCMベースラインよりも優れたパフォーマンスを実現している。 グラフ構造を採用することで、GoAは、拡張性と、拡張性の両方を提供する。 コードは、https://github.com/UNITES-Lab/GoA.comで入手できる。

関連論文リスト

• MultiAgentBench: Evaluating the Collaboration and Competition of LLM agents [59.825725526176655]
  大規模言語モデル(LLM)は、自律的なエージェントとして顕著な能力を示している。 既存のベンチマークでは、単一エージェントタスクにフォーカスするか、狭いドメインに限定されており、マルチエージェントのコーディネーションと競合のダイナミクスを捉えていない。 多様な対話シナリオにまたがってLLMベースのマルチエージェントシステムを評価するためのベンチマークであるMultiAgentBenchを紹介する。
  論文  参考訳（メタデータ） (2025-03-03T05:18:50Z)
• MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
  MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。 MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)
• GraphTeam: Facilitating Large Language Model-based Graph Analysis via Multi-Agent Collaboration [31.07238612043854]
  GraphTeamは3つのモジュールから5つのLLMベースのエージェントで構成されており、異なる特殊性を持つエージェントは複雑な問題に対処するために協力することができる。 6つのグラフ分析ベンチマークの実験は、GraphTeamが最先端のパフォーマンスを達成し、精度の点で最高のベースラインよりも平均25.85%改善していることを示している。
  論文  参考訳（メタデータ） (2024-10-23T17:02:59Z)
• A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
  本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。 具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。 我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-03T16:05:48Z)
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations [53.76682562935373]
  我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。 InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
  論文  参考訳（メタデータ） (2023-08-31T07:36:44Z)

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。