Fugu-MT 論文翻訳(概要): AgentSlimming: Towards Efficient and Cost-Aware Multi-Agent Systems

論文の概要: AgentSlimming: Towards Efficient and Cost-Aware Multi-Agent Systems

arxiv url: http://arxiv.org/abs/2605.08813v1
Date: Sat, 09 May 2026 09:03:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:49.902294
Title: AgentSlimming: Towards Efficient and Cost-Aware Multi-Agent Systems
Title（参考訳）: Agent Slimming: 効率的かつ低コストなマルチエージェントシステムを目指して
Abstract要約: AgentSlimmingは、グラフ構造化マルチエージェントシステムのためのプラグアンドプレイ圧縮フレームワークである。平均トークンコストを78.9%まで削減し、性能を低下させ、時には精度も向上する。
参考スコア（独自算出の注目度）: 19.373173948984626
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Large Language Model-based Multi-Agent Systems (MAS) have demonstrated remarkable capabilities in complex tasks. However, manually designing optimal communication topologies is labor-intensive, while automated expansion methods often result in bloated structures with redundant agents, leading to excessive token consumption. To address this problem, we introduce \textbf{AgentSlimming}, a plug-and-play compression framework for graph-structured multi-agent workflows. Motivated by pruning and quantization in neural networks, AgentSlimming compresses workflows by first estimating the importance score of each agent with a hybrid mechanism, and then removes redundant agents or replaces them with low-cost ones, where each operation is validated using a baseline-anchored acceptance rule to prevent performance collapse. Experiments show that AgentSlimming reduces average token cost by up to 78.9\% with negligible performance degradation, and sometimes even improves accuracy, achieving a strong Pareto-optimal trade-off between cost and quality. \textit{Our code is publicly available at https://github.com/CitrusYL/AgentSlimming
Abstract（参考訳）: 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)は複雑なタスクにおいて顕著な機能を示した。しかし、手動で最適な通信トポロジを設計することは労働集約的であり、自動化された拡張手法はしばしば冗長なエージェントによる肥大化した構造をもたらし、過剰なトークン消費をもたらす。この問題に対処するために,グラフ構造化マルチエージェントワークフローのためのプラグアンドプレイ圧縮フレームワークである \textbf{AgentSlimming} を導入する。ニューラルネットワークのプルーニングと量子化によって動機づけられたAgenSlimmingは、まず各エージェントの重要度をハイブリッドメカニズムで推定してワークフローを圧縮し、冗長エージェントを除去または低コストエージェントに置き換える。実験によると、AgensSlimmingは平均トークンコストを78.9倍まで削減し、性能劣化を無視し、時には精度を向上し、コストと品質の間に強力なパレート最適トレードオフを実現する。 \textit{Our code is public available at https://github.com/CitrusYL/AgentSlimming

関連論文リスト

Step-level Optimization for Efficient Computer-use Agents [51.29573359027217]
我々は、強力なコンピュータ利用エージェントは、実際は高価で遅いと論じている。本稿では,コンピュータ利用エージェントのためのイベント駆動ステップレベルカスケードを提案する。
論文参考訳（メタデータ） (2026-04-29T19:59:36Z)
Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning [68.85408801740228]
協調型マルチエージェント強化学習問題としてトポロジ選択を再構成する強化学習フレームワークである textbfAgent Q-Mix を提案する。提案手法は,Qmix値分解を用いて分散化された通信決定を学習し,各エージェントがラウンドワイド通信グラフを共同生成する一連の通信行動から選択する。エージェントQ-Mixは,エージェント故障に対して優れたトークン効率とロバスト性を示しながら,既存手法と比較して高い平均精度を達成する。
論文参考訳（メタデータ） (2026-04-01T00:38:24Z)
DLLM Agent: See Farther, Run Faster [94.74432470237817]
拡散大言語モデル(DLLM)は、自己回帰(AR)デコーディングの代替として、魅力的な効率とモデリング特性を持つ。我々は、DLLMとARのバックボーンを同一のエージェントワークフロー内でインスタンス化することで、制御された環境でこれを研究する。 DLLMエージェントはARエージェントよりも平均30%以上速く、場合によっては8倍のスピードアップを達成している。
論文参考訳（メタデータ） (2026-02-07T09:01:18Z)
Beyond Quantity: Trajectory Diversity Scaling for Code Agents [51.71414642763219]
Trajectory Diversity Scalingは、コードエージェントのためのデータ合成フレームワークである。 TDScalingは、(1)実際のサービスの論理的依存関係をキャプチャするBusiness Clusterメカニズム、(2)軌道コヒーレンスを強制するブループリント駆動のマルチエージェントパラダイム、(3)ロングテールシナリオを指向する適応的な進化メカニズムの4つの革新を統合しています。
論文参考訳（メタデータ） (2026-02-03T07:43:03Z)
ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文参考訳（メタデータ） (2026-01-27T13:43:59Z)
Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。 BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
論文参考訳（メタデータ） (2025-12-20T12:06:13Z)
Efficient Mixture-of-Agents Serving via Tree-Structured Routing, Adaptive Pruning, and Dependency-Aware Prefill-Decode Overlap [15.352230356342366]
混合エージェント(MoA)推論は、密度の高いエージェント間通信と低いハードウェア利用に悩まされる。本稿では,アルゴリズム・システムの共同設計を通じて,これらのボトルネックをターゲットとしたサービス設計を提案する。
論文参考訳（メタデータ） (2025-12-19T23:06:58Z)
Stop Wasting Your Tokens: Towards Efficient Runtime Multi-Agent Systems [11.42175340352007]
SupervisorAgentは、ランタイムと適応的な監視のための軽量でモジュール化されたフレームワークです。 SupervisorAgentは、エラーを積極的に修正し、非効率な振る舞いを誘導し、観察を浄化するために、臨界点に介入する。挑戦的なGAIAベンチマークでは、SupervisorAgentは成功率を損なうことなく、Smolagentフレームワークのトークン消費を平均29.45%削減した。
論文参考訳（メタデータ） (2025-10-30T15:12:59Z)
AgentAsk: Multi-Agent Systems Need to Ask [26.13279490836716]
大規模言語モデル(LLM)上に構築されたマルチエージェントシステムは、協調的な分業による問題解決能力の向上を約束する。我々はAgentAskを提案する。AgentAskは軽量でプラグ・アンド・プレイの明確化モジュールで、すべてのエージェント間メッセージを潜在的な障害点として扱い、エラーの伝播を抑えるのに必要最小限の質問を挿入する。 AgentAskは、公開マルチエージェント実装の精度と堅牢性を継続的に改善し、オーバーヘッドを最小限に抑え、レイテンシと余分なコストを5%以下に抑える。
論文参考訳（メタデータ） (2025-10-08T22:36:05Z)
Utilizing Redundancy in Cost Functions for Resilience in Distributed Optimization and Learning [1.8414221462731502]
本稿では,サーバアーキテクチャにおけるレジリエントな分散最適化と機械学習の問題について考察する。システムはサーバと複数のエージェントから構成され、各エージェントはローカルなコスト関数を持つ。エージェントのいくつかが非同期で、/またはビザンティンの欠陥がある場合を考えます。
論文参考訳（メタデータ） (2021-10-21T02:41:19Z)
Scaling Up Multiagent Reinforcement Learning for Robotic Systems: Learn an Adaptive Sparse Communication Graph [39.48317026356428]
多エージェント強化学習の複雑さはエージェント数に対して指数関数的に増加する。しばしば無視されるMARLの重要な特徴は、エージェント間の相互作用が極めて疎いことである。疎度誘導活性化関数を一般化した適応的スパースアテンション機構を提案する。提案アルゴリズムは,解釈可能なスパース構造を学習し,大規模マルチエージェントシステムを含むアプリケーションにおいて,従来よりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2020-03-02T17:18:25Z)

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。