論文の概要: EvoMAS: Learning Execution-Time Workflows for Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2605.08769v1
- Date: Sat, 09 May 2026 07:55:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.876194
- Title: EvoMAS: Learning Execution-Time Workflows for Multi-Agent Systems
- Title（参考訳）: EvoMAS:マルチエージェントシステムのための実行時間ワークフローの学習
- Abstract要約: EvoMASは実行時のマルチエージェントワークフロー構築のためのフレームワークである。
EvoMASは単一エージェントベースラインと最近の自動マルチエージェントワークフロー設計手法より優れていることを示す。
- 参考スコア（独自算出の注目度）: 10.627204426706259
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM)-based multi-agent systems have shown strong potential on complex tasks through agent specialization, tool use, and collaborative reasoning. However, most automated multi-agent system design methods still follow a one-shot paradigm: a workflow is optimized or selected before execution and then reused unchanged throughout the task. This static coordination strategy is ill-suited for long-horizon tasks whose subgoals, intermediate evidence, and information needs evolve over multiple execution stages. We propose EvoMAS, a framework for execution-time multi-agent workflow construction. EvoMAS formulates workflow construction as a meta-level sequential decision problem along a single task trajectory. At each stage, it constructs an explicit task state through a Planner-Evaluator-Updater pipeline and uses a learned Workflow Adapter to instantiate a stage-specific layered workflow from a fixed pool of candidate agents. The adapter is trained with policy gradients using sparse, verifiable terminal task success as the main supervision signal, while evaluator-based process reward is analyzed separately under very-hard sparse-reward settings. Experiments on GAIA, HLE, and DeepResearcher show that EvoMAS outperforms single-agent baselines and recent automated multi-agent workflow design methods. Our analyses further show that explicit task-state construction and learned workflow adaptation provide complementary benefits. Additional results indicate that process reward is most useful when terminal success is extremely sparse, and qualitative case studies illustrate that EvoMAS adapts agent coordination as the task state evolves.
- Abstract（参考訳）: 大規模言語モデル(LLM)に基づくマルチエージェントシステムは、エージェントの特殊化、ツールの使用、協調的推論を通じて複雑なタスクに強い可能性を示している。
しかし、ほとんどの自動マルチエージェントシステム設計手法は、ワークフローが最適化され、実行前に選択され、タスク全体を通して再利用されないという、1ショットのパラダイムに従っている。
この静的コーディネーション戦略は、サブゴール、中間証拠、情報が複数の実行段階にわたって進化する長軸タスクに不適である。
実行時マルチエージェントワークフロー構築のためのフレームワークであるEvoMASを提案する。
EvoMASは、単一のタスク軌跡に沿って、メタレベルのシーケンシャルな決定問題としてワークフロー構築を定式化する。
各ステージでは、Planner-Evaluator-Updaterパイプラインを通じて明示的なタスク状態を構築し、学習済みのWorkflow Adapterを使用して、候補エージェントの固定プールからステージ固有のレイヤワークフローをインスタンス化する。
このアダプタは、スパースで検証可能な端末タスク成功を主監視信号として、ポリシー勾配を訓練し、評価器に基づくプロセス報酬は、非常に厳密なスパース・リワード設定の下で別々に分析する。
GAIA、HLE、DeepResearcherの実験では、EvoMASはシングルエージェントベースラインと最近の自動化マルチエージェントワークフロー設計方法よりも優れていた。
分析により,明示的なタスク状態構築と学習ワークフロー適応が相補的な利点をもたらすことが示された。
さらに, プロセス報酬は端末成功が極めて少ない場合に最も有用であることが示唆され, 定性的ケーススタディにより, EvoMASはタスク状態が進化するにつれてエージェント調整に適応することが示された。
関連論文リスト
- From Specification to Execution: AI Assisted Scientific Workflow Management [0.7507031378170735]
本稿では,AIを活用した科学ワークフロー管理手法を提案する。
このメソッドは、ワークフローの意図、設計、実装を分離する構造化された仕様フェーズを導入し、コード生成に先立って検証を可能にする。
本手法は, 並列性, 反復性, 依存性集約構造で選択された医用画像にフェデレートした学習ワークフローを用いて評価する。
論文 参考訳（メタデータ） (2026-06-16T19:21:09Z) - 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) - Multi-Agent Orchestration for High-Throughput Materials Screening on a Leadership-Class System [1.4669344809969722]
大規模言語モデル(LLM)は、自律的な意思決定において重要な役割を果たす。
我々は,高スループットスクリーニングキャンペーンを編成するスケーラブルで階層的なマルチエージェントフレームワークを提案する。
提案するエージェントフレームワークは,Auroraスーパーコンピュータ上での効率的かつスケーラブルな実行を可能にする。
論文 参考訳（メタデータ） (2026-04-09T01:01:11Z) - Mimosa Framework: Toward Evolving Multi-Agent Systems for Scientific Research [2.4251063179584436]
Mimosaは、タスク固有のマルチエージェントを自動的に合成し、それを反復的に洗練する進化中のマルチエージェントフレームワークである。
Mimosaは完全なオープンソースプラットフォームとしてリリースされ、コミュニティ主導のASRのためのオープンな基盤を提供することを目指している。
論文 参考訳（メタデータ） (2026-03-30T20:35:57Z) - 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) - Towards Agentic AI for Multimodal-Guided Video Object Segmentation [14.877182670778284]
参照ベースのビデオオブジェクトは、外部キューでガイドされたきめ細かいセグメンテーション結果を生成する必要のあるマルチモーダル問題である。
ビジョン言語基礎モデルの最近の進歩は、トレーニングフリーアプローチへの有望な方向性を開いている。
本稿では,この課題を柔軟かつ適応的に解決する新しいエージェントシステムであるMulti-Modal Agentを提案する。
論文 参考訳（メタデータ） (2025-08-14T12:11:15Z) - Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。
経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。
推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
論文 参考訳（メタデータ） (2025-05-29T07:24:37Z) - Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。
Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
論文 参考訳（メタデータ） (2025-05-26T09:46:50Z) - Flow: Modularized Agentic Workflow Automation [53.073598156915615]
大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。
しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。
本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。
提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
論文 参考訳（メタデータ） (2025-01-14T04:35:37Z) - Benchmarking Agentic Workflow Generation [80.74757493266057]
複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。
また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。
我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
論文 参考訳（メタデータ） (2024-10-10T12:41:19Z) - ComfyBench: Benchmarking LLM-based Agents in ComfyUI for Autonomously Designing Collaborative AI Systems [80.69865295743149]
この研究は、LLMベースのエージェントを使用して、協調AIシステムを自律的に設計する試みである。
ComfyBenchをベースとしたComfyAgentは,エージェントが自律的に協調的なAIシステムを生成して設計できるようにするフレームワークである。
ComfyAgentは、o1-previewに匹敵する解像度を達成し、ComfyBenchの他のエージェントをはるかに上回っているが、ComfyAgentはクリエイティブタスクの15%しか解決していない。
論文 参考訳（メタデータ） (2024-09-02T17:44:10Z)
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。