論文の概要: Uno-Orchestra: Parsimonious Agent Routing via Selective Delegation
- arxiv url: http://arxiv.org/abs/2605.05007v1
- Date: Wed, 06 May 2026 15:07:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.892342
- Title: Uno-Orchestra: Parsimonious Agent Routing via Selective Delegation
- Title（参考訳）: Uno-Orchestra:選択デリゲーションによる類似エージェントルーティング
- Authors: Zhiqing Cui, Haotong Xie, Jiahao Yuan, Cheng Yang, Hanqing Wang, Yuxin Wu, Yifan Wu, Siru Zhong, Tao Yu, Yifu Guo, Siyu Zhang, Xinlei Yu, Qibing Ren, Usman Naseem,
- Abstract要約: タスクを選択的に分解し,各サブタスクを許容可能なペアにディスパッチする統合オーケストレーションポリシであるUno-Orchestraを導入する。
Uno-Orchestraは77.0%のマクロパス@1に達しており、ワークフローベースラインよりも約16%高い。
- 参考スコア（独自算出の注目度）: 29.295002935617433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM) multi-agent systems typically rely on rigid orchestration, committing either to flat per-query routing or to hand-engineered task decomposition, so decomposition depth, worker choice, and inference budget are not jointly optimized under one objective. We introduce Uno-Orchestra, a unified orchestration policy that selectively decomposes a task and dispatches each subtask to an admissible (model, primitive) pair, with both decisions learned together from curated RL trajectories grounded in real worker interactions. Against 22 baselines on a 13-benchmark suite spanning math, code, knowledge, long-context, and agentic tool-use, Uno-Orchestra reaches 77.0% macro pass@1, roughly 16% above the strongest workflow baseline, at roughly an order of magnitude lower per-query cost, advancing the accuracy-efficiency frontier of selective delegation.
- Abstract（参考訳）: 大規模言語モデル(LLM)のマルチエージェントシステムは一般に、フラットなクエリごとのルーティングや手作業によるタスクの分解にコミットする、厳密なオーケストレーションに依存しているため、分解深度、ワーカーの選択、推論予算は1つの目的の下で共同最適化されない。
タスクを選択的に分解し,各サブタスクを許容可能な(モデル,プリミティブ)ペアにディスパッチする統一オーケストレーションポリシであるUno-Orchestraを導入する。
数学、コード、知識、ロングコンテキスト、エージェントツールを対象とする13ベンチマークスイートの22のベースラインに対して、Uno-Orchestraは77.0%のマクロパス@1に達した。
関連論文リスト
- Small Model as Master Orchestrator: Learning Unified Agent-Tool Orchestration with Parallel Subtask Decomposition [61.291733522717415]
Agent-as-Toolは並列オーケストレーションのパラダイムであり、エージェントとツールの両方を標準化された学習可能なアクション空間に緩和する。
ParaManagerは、サブタスク解決から計画決定を分離し、ステート対応の並列サブタスク分解、デリゲート、非同期実行を可能にする。
実験により、ParaManagerは複数のベンチマークで高い性能を示し、目に見えないモデルプールの下で堅牢な一般化を示す。
論文 参考訳（メタデータ） (2026-04-18T14:41:27Z) - One Supervisor, Many Modalities: Adaptive Tool Orchestration for Autonomous Queries [0.0]
我々は、テキスト、画像、オーディオ、ビデオ、文書のモダリティにまたがる特殊なツールをコーディネートする、自律マルチモーダルクエリ処理のためのエージェントAIフレームワークを提案する。
中央スーパーバイザは動的にユーザクエリを分解し、サブタスクをモダリティに適したツールに委譲する。
テキストのみのクエリでは、このフレームワークはRouteLLM経由で学習したルーティングを使用し、非テキストパスはSLMによるモダリティ分解を使用する。
論文 参考訳（メタデータ） (2026-03-12T05:02:58Z) - SkillOrchestra: Learning to Route Agents via Skill Transfer [65.50924963973286]
スキルを意識したオーケストレーションのためのフレームワークであるSkillOrchestraを紹介します。
SkillOrchestraは、実行経験からきめ細かいスキルを学び、それらのスキルの下でエージェント固有の能力とコストをモデル化する。
デプロイメントでは、オーケストレータが現在のインタラクションのスキル要件を推測し、明示的なパフォーマンスコストトレードオフの下でそれらを最も満足するエージェントを選択する。
論文 参考訳（メタデータ） (2026-02-23T10:17:25Z) - AOrchestra: Automating Sub-Agent Creation for Agentic Orchestration [36.04766562662082]
AOrchestraはフレームワークに依存しないエージェント抽象化で、任意のエージェントをインストラクション、コンテキストツール、モデルとしてモデル化する。
タスク関連コンテキスト、ツール、モデルをキュレートし、オンザフライで自動エージェント生成を通じて実行を委譲する。
AOrchestraはGeminiと組んで最強のベースラインに対して16.28%の相対的な改善を達成した。
論文 参考訳（メタデータ） (2026-02-03T17:46:16Z) - MAS-Orchestra: Understanding and Improving Multi-Agent Reasoning Through Holistic Orchestration and Controlled Benchmarks [86.05918381895555]
関数呼び出し強化学習問題としてMASオーケストレーションを定式化する訓練時間フレームワークとしてMASOrchestraを提案する。
MAS-Orchestraでは、複雑なゴール指向のサブエージェントは呼び出し可能な関数として抽象化され、システム構造に対する大域的推論を可能にする。
分析の結果,MASはタスク構造や検証プロトコル,オーケストレータとサブエージェントの両方の機能に大きく依存していることが判明した。
論文 参考訳（メタデータ） (2026-01-21T04:57:02Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。
LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。
クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2025-05-26T07:02:17Z)
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。