論文の概要: Multi-Agent Systems: From Classical Paradigms to Large Foundation Model-Enabled Futures
- arxiv url: http://arxiv.org/abs/2604.18133v1
- Date: Mon, 20 Apr 2026 12:00:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.843229
- Title: Multi-Agent Systems: From Classical Paradigms to Large Foundation Model-Enabled Futures
- Title（参考訳）: マルチエージェントシステム:古典的パラダイムから大規模ファンデーションモデルの実現に向けて
- Authors: Zixiang Wang, Mengjia Gong, Qiyu Sun, Jing Xu, Shuai Mao, Xin Jin, Qing-Long Han, Yang Tang,
- Abstract要約: マルチエージェントシステム(MAS)は,大規模基盤モデル(LFM)上に構築されたアーキテクチャへ,古典的パラダイムから進化しつつある。
本調査は,古典的MAS (CMAS) と LFM に基づくMAS (LMAS) の体系的レビューと比較分析を提供する。
- 参考スコア（独自算出の注目度）: 30.239025005874524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid advancement of artificial intelligence, multi-agent systems (MASs) are evolving from classical paradigms toward architectures built upon large foundation models (LFMs). This survey provides a systematic review and comparative analysis of classical MASs (CMASs) and LFM-based MASs (LMASs). First, within a closed-loop coordination framework, CMASs are reviewed across four fundamental dimensions: perception, communication, decision-making, and control. Beyond this framework, LMASs integrate LFMs to lift collaboration from low-level state exchanges to semantic-level reasoning, enabling more flexible coordination and improved adaptability across diverse scenarios. Then, a comparative analysis is conducted to contrast CMASs and LMASs across architecture, operating mechanism, adaptability, and application. Finally, future perspectives on MASs are presented, summarizing open challenges and potential research opportunities.
- Abstract（参考訳）: 人工知能の急速な進歩により、マルチエージェントシステム(MAS)は古典的なパラダイムから大きな基盤モデル(LFM)上に構築されたアーキテクチャへと進化している。
本調査は,従来のMAS (CMAS) と LFM ベースのMAS (LMAS) の体系的レビューと比較分析を提供する。
まず、クローズドループ調整フレームワークにおいて、CMASは知覚、コミュニケーション、意思決定、制御の4つの基本的な側面にまたがってレビューされる。
このフレームワーク以外にも、LMASはLFMを統合して、低レベルの状態交換からセマンティックレベルの推論まで、さまざまなシナリオにおけるより柔軟な調整と適応性の向上を実現している。
次に、アーキテクチャ、動作機構、適応性、アプリケーション間でCMASとLMASを比較して比較分析を行う。
最後に、MASの今後の展望を示し、オープンな課題と潜在的研究機会を要約する。
関連論文リスト
- On the Importance of Task Complexity in Evaluating LLM-Based Multi-Agent Systems [14.75237035960069]
大規模言語モデルマルチエージェントシステム(LLM-MAS)は、より高度なAI行動を達成するために集団知性を活用するための有望なパラダイムを提供する。
課題解決における LLM-MAS の有効性を評価するためには, シーケンシャル推論の程度や能力の幅など, タスク複雑性の原則的理解が不可欠である。
論文 参考訳（メタデータ） (2025-10-05T18:08:48Z) - Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
大規模言語モデルに基づくマルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。
我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
論文 参考訳（メタデータ） (2025-05-28T15:20:09Z) - On Path to Multimodal Generalist: General-Level and General-Bench [153.9720740167528]
本稿では,MLLMの性能と汎用性を5段階に定義した評価フレームワークであるGeneral-Levelを紹介する。
フレームワークの中核はSynergyの概念であり、モデルが理解と生成をまたいだ一貫性のある機能を維持するかどうかを測定する。
既存の100以上のMLLMを含む評価結果は、ジェネラリストの能力ランキングを明らかにする。
論文 参考訳（メタデータ） (2025-05-07T17:59:32Z) - A Trustworthy Multi-LLM Network: Challenges,Solutions, and A Use Case [59.58213261128626]
複数の大規模言語モデル(LLM)を信頼性のあるマルチLLMネットワーク(MultiLLMN)に接続するブロックチェーン対応協調フレームワークを提案する。
このアーキテクチャは、複雑なネットワーク最適化問題に対する最も信頼性が高く高品質な応答の協調評価と選択を可能にする。
論文 参考訳（メタデータ） (2025-05-06T05:32:46Z) - A Survey on Mechanistic Interpretability for Multi-Modal Foundation Models [74.48084001058672]
基礎モデルの台頭は機械学習の研究に変化をもたらした。
マルチモーダル・ファンデーション・モデル(MMFM)は、ユニモーダル・フレームワークを超えて、ユニークな解釈可能性の課題を提起する。
本研究は,(1)多モーダルモデルへのLLM解釈可能性法の適応,(2)単モーダル言語モデルとクロスモーダルシステムとの機械的差異の理解の2つの重要な側面について考察する。
論文 参考訳（メタデータ） (2025-02-22T20:55:26Z) - A Survey of Model Architectures in Information Retrieval [59.61734783818073]
2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。
従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。
今後の課題と今後の方向性について、先見的な議論で締めくくります。
論文 参考訳（メタデータ） (2025-02-20T18:42:58Z) - Generative Multi-Agent Collaboration in Embodied AI: A Systematic Review [32.73711802351707]
Embodied Multi-Adnt System (EMAS) は、現実の課題に対処する可能性に注目が集まっている。
基礎モデルの最近の進歩は、よりリッチなコミュニケーションと適応的な問題解決が可能な生成エージェントの道を開いた。
この調査は、EMASがこれらの生成能力の恩恵を受けることができるかを体系的に検証する。
論文 参考訳（メタデータ） (2025-02-17T07:39:34Z) - Multi-Agent Collaboration Mechanisms: A Survey of LLMs [6.545098975181273]
マルチエージェントシステム(Multi-Agent Systems、MAS)は、知的エージェントのグループによる複雑なタスクの協調と解決を可能にする。
この研究は、MASの協調的な側面に関する広範な調査を提供し、将来の研究を導くための枠組みを紹介している。
論文 参考訳（メタデータ） (2025-01-10T19:56:50Z) - Large Multimodal Agents: A Survey [78.81459893884737]
大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。
LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。
本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
論文 参考訳（メタデータ） (2024-02-23T06:04:23Z)
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。