論文の概要: Hive: A Multi-Agent Infrastructure for Algorithm- and Task-Level Scaling
- arxiv url: http://arxiv.org/abs/2604.17353v1
- Date: Sun, 19 Apr 2026 09:59:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.483284
- Title: Hive: A Multi-Agent Infrastructure for Algorithm- and Task-Level Scaling
- Title（参考訳）: Hive: アルゴリズムとタスクレベルのスケーリングのためのマルチエージェントインフラストラクチャ
- Authors: Zizhang Luo, Yuhao Luo, Youwei Xiao, Yansong Xu, Runlin Guo, Yun Liang,
- Abstract要約: 大規模言語モデルは、タスクの複雑さに合わせてスケールする複雑なエージェントシステムとして、ますます多くデプロイされている。
アルゴリズムレベルでは、追加の推論時間の割当はワークフローのキャパシティを向上させるが、パス間の冗長性を導入する。
タスクレベルでは、複雑なタスクはサブプロブレムに分解でき、スケーラビリティと並列性を改善するために複数のエージェントに委譲される。
アルゴリズムとタスクレベルのスケーリングを可能にするマルチエージェントインフラストラクチャであるHiveを提案する。
- 参考スコア（独自算出の注目度）: 4.857151634248649
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Large language models are increasingly deployed as complex agentic systems that scale with task complexity. While prior work has extensively explored model- and system-level scaling, algorithm- and task-level scaling remain largely unaddressed, constraining the full potential of agentic systems. At the algorithm level, allocating additional inference-time computation can enhance workflow capacity but introduces cross-path redundancy: overlapping computations across multiple reasoning branches. At the task level, complex tasks can be decomposed into subproblems and delegated across multiple agents for improved scalability and parallelism. However, existing infrastructures' scheduling is unaware of the existence of multiple agents, missing opportunities to optimize resource allocation. We propose Hive, a multi-agent infrastructure that enables algorithm- and task-level scaling. Hive features a description frontend that captures per-agent behavior and supports test-time scaling algorithms. Leveraging this specification, our backend introduces two key mechanisms: Logits Cache that reuses intermediate logits across redundant sampling paths to mitigate cross-path redundancy at the algorithm level, and Agent-Aware Scheduling that efficiently allocates compute and KV-cache resources according to agent contributions at the task level. Experiments show that Logits Cache achieves an average speedup of $1.11\times$-$1.76\times$ for re-sampling, and Agent-Aware Scheduling reduces the hotspot miss rate by $33\%$-$51\%$.
- Abstract（参考訳）: 大規模言語モデルは、タスクの複雑さに合わせてスケールする複雑なエージェントシステムとして、ますます多くデプロイされている。
これまでの研究は、モデルレベルのスケーリングとシステムレベルのスケーリングを幅広く検討してきたが、アルゴリズムレベルのスケーリングとタスクレベルのスケーリングは、エージェントシステムの潜在能力を制限して、ほとんど適応していないままである。
アルゴリズムレベルでは、追加の推論時間計算を割り当てることでワークフローのキャパシティが向上するが、クロスパスの冗長性が導入される。
タスクレベルでは、複雑なタスクはサブプロブレムに分解でき、スケーラビリティと並列性を改善するために複数のエージェントに委譲される。
しかし、既存のインフラのスケジューリングは複数のエージェントの存在に気付かず、リソース割り当てを最適化する機会を欠いている。
アルゴリズムとタスクレベルのスケーリングを可能にするマルチエージェントインフラストラクチャであるHiveを提案する。
Hiveは、エージェントごとの振る舞いをキャプチャし、テスト時間スケーリングアルゴリズムをサポートする記述フロントエンドを備えている。
この仕様を取り入れたバックエンドでは、冗長なサンプリングパスをまたいだ中間ロジットを再利用してアルゴリズムレベルでのクロスパス冗長性を緩和するLogits Cacheと、タスクレベルでエージェントのコントリビューションに応じて計算リソースとKV-cacheリソースを効率的に割り当てるAgent-Aware Schedulingという2つの主要なメカニズムを導入しています。
実験によると、Logits Cacheは再サンプリングのために平均1.11\times$-1.76\times$を達成し、Agent-Aware Schedulingはホットスポットミス率を33\%$-51\%$に下げる。
関連論文リスト
- Do We Always Need Query-Level Workflows? Rethinking Agentic Workflow Generation for Multi-Agent Systems [72.3575737073235]
マルチエージェントシステム(MAS)は、複数のエージェントを協調することで複雑なタスクを解決する。
既存のアプローチはタスクレベルかクエリレベルで生成されるが、その相対的なコストと利点は未だ不明である。
クエリレベルのワークフロー生成は必ずしも必要ではない、なぜなら、トップKレベルのタスクレベルの小さなセットが、すでに同等あるいはそれ以上のクエリをカバーしているからだ。
論文 参考訳（メタデータ） (2026-01-16T10:05:51Z) - Dependency-Aware Task Offloading in Multi-UAV Assisted Collaborative Mobile Edge Computing [53.88774113545582]
本稿では,新しい無人航空機(UAV)による協調移動エッジコンピューティング(MEC)フレームワークを提案する。
システムコストを最小限に抑え、タスク消費とエネルギー消費のトレードオフを改善することを目的としている。
提案手法はシステムコストを大幅に削減し,タスク消費とエネルギー消費のトレードオフの改善を実現する。
論文 参考訳（メタデータ） (2025-10-23T02:55:40Z) - 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) - Demystifying and Enhancing the Efficiency of Large Language Model Based Search Agents [9.862334188345791]
大規模言語モデル(LLM)に基づく検索エージェントは,複雑なタスクを解く際,顕著な能力を示した。
LLMベースの検索エージェントのための高効率推論フレームワークであるSearchAgent-Xを紹介する。
SearchAgent-Xは、vLLMやHNSWベースの検索のような最先端システムよりも一貫して優れている。
論文 参考訳（メタデータ） (2025-05-17T16:07:01Z) - A Multiagent Path Search Algorithm for Large-Scale Coalition Structure Generation [61.08720171136229]
結合構造生成はマルチエージェントシステムにおける基本的な計算問題である。
我々はCSGの多エージェントパス探索アルゴリズムであるSALDAEを開発し、連立構造グラフ上で運用する。
論文 参考訳（メタデータ） (2025-02-14T15:21:27Z) - Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。
本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-12-14T06:17:33Z) - Q-Star Meets Scalable Posterior Sampling: Bridging Theory and Practice via HyperAgent [23.669599662214686]
HyperAgentは、RLにおける探索のためのハイパーモデルフレームワークに基づく強化学習(RL)アルゴリズムである。
我々はHyperAgentが大規模深部RLベンチマークで堅牢なパフォーマンスを提供することを示した。
問題の大きさで最適にスケールし、Atariスイートで顕著な効率向上を示すエピソードでディープシーのハードな探索問題を解決することができる。
論文 参考訳（メタデータ） (2024-02-05T07:07:30Z) - Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal
Constraints [52.58352707495122]
本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。
都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
論文 参考訳（メタデータ） (2020-05-27T01:10:41Z)
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。