論文の概要: EVOCHAMBER: Test-Time Co-evolution of Multi-Agent System at Individual, Team, and Population Scales

• arxiv url: http://arxiv.org/abs/2605.11136v1
• Date: Mon, 11 May 2026 18:42:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.365906
• Title: EVOCHAMBER: Test-Time Co-evolution of Multi-Agent System at Individual, Team, and Population Scales
• Title（参考訳）: EVOCHAMBER: 個人,チーム,人口規模におけるマルチエージェントシステムのテスト時間共進化
• Authors: Yaolun Zhang, Tianyi Xu, Shengyu Dai, Zhenwen Shao, Qingyun Wu, Huazheng Wang,
• Abstract要約: シングルエージェント学習者は、自身のコンテキストと記憶だけを進化させることができる。 マルチエージェントシステムはさらに、誰が協力するか、どのように協力するか、どのように知識が集団に流れていくのかを進化させる。 EVOCHAMBERは,共進化エージェントプール上の3つのレベルでテスト時間進化をインスタンス化する,トレーニング不要のフレームワークである。
• 参考スコア（独自算出の注目度）: 27.568287645700064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We argue that multi-agent test-time evolution is not single-agent evolution replicated N times. A single-agent learner can only evolve its own context and memory. A multi-agent system additionally evolves who collaborates, how they collaborate, and how knowledge flows across the population. These components have no single-agent counterpart and can produce phenomena such as emergent specialization. Yet prior test-time methods either confine experiences to individual agents, forfeiting cross-agent learning, or broadcast symmetrically to all agents, erasing the specialization that makes collaboration valuable. We present EVOCHAMBER, a training-free framework that instantiates test-time evolution at three levels over a coevolving agent pool. At its core is CODREAM (Collaborative Dreaming), a post-task protocol triggered on team failure or disagreement, in which agents collaboratively reflect, distill insights, and route them asymmetrically from strong to weak agents on the failed niche, preserving specialization while filling knowledge gaps. Team-level operators assemble niche-conditioned teams and select collaboration structures online. Population-level lifecycle operators fork, merge, prune, and seed agents under performance pressure. On three heterogeneous task streams with Qwen3-8B, EVOCHAMBER reaches 63.9% on competition math, 75.7% on code, and 87.1% on multi-domain reasoning, outperforming the best baseline by 32% relative on math and confirming asymmetric cross-agent transfer as the primary driver in ablation. Starting from several identically initialized agents, four to five stable niche specialists spontaneously emerge, a structural signature of multi-agent evolution that no single-agent learner can express. See our code at: https://github.com/Mercury7353/EvoChamber
• Abstract（参考訳）: マルチエージェントテストタイムの進化はN回複製された単一エージェントの進化ではないと我々は主張する。 シングルエージェント学習者は、自身のコンテキストと記憶だけを進化させることができる。 マルチエージェントシステムはさらに、誰が協力するか、どのように協力するか、どのように知識が集団に流れていくのかを進化させる。 これらの成分は単エージェントではなく、創発的特殊化のような現象を生じさせる。 しかし、以前のテストタイム手法では、個々のエージェントに経験を限定したり、クロスエージェント学習を禁止したり、すべてのエージェントに対称に放送したりし、コラボレーションを価値あるものにする専門性を排除していた。 EVOCHAMBERは,共進化エージェントプール上の3つのレベルでテスト時間進化をインスタンス化する,トレーニング不要のフレームワークである。 CODREAM(Collaborative Dreaming)は、チームの失敗や不一致によって引き起こされるポストタスクプロトコルで、エージェントが協力的に反映し、洞察を蒸留し、失敗するニッチ上の強いエージェントから弱いエージェントへ非対称にルーティングし、知識ギャップを埋めながら特殊化を維持する。 チームレベルのオペレータはニッチな条件のチームを組み立て、オンラインでコラボレーション構造を選択する。 集団レベルのライフサイクルオペレータは、パフォーマンス圧力下でフォーク、マージ、プルーネ、シードエージェントを使用する。 Qwen3-8Bを用いた3つの異種タスクストリームでは、EVOCHAMBERは競合数学で63.9%、コードで75.7%、マルチドメイン推論で87.1%に達する。 複数の同一の初期化エージェントから始まり、4から5つの安定なニッチスペシャリストが自発的に出現し、単一エージェント学習者が表現できないマルチエージェント進化の構造的シグネチャとなる。 https://github.com/Mercury7353/EvoChamber

関連論文リスト

• AgentPSO: Evolving Agent Reasoning Skill via Multi-agent Particle Swarm Optimization [46.78426363253909]
  我々はマルチエージェント推論スキルを進化させるフレームワークであるAgentPSOを紹介する。 エージェントPSOは、各エージェントを自然言語技術である粒子のような推論器として扱う。 エージェントをより強いスキル状態へと繰り返し移動させ、個人的および集団的推論のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2026-05-09T05:38:21Z)
• CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
  大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。 オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。 コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
  論文  参考訳（メタデータ） (2026-04-02T05:59:06Z)
• MARTI-MARS$^2$: Scaling Multi-Agent Self-Search via Reinforcement Learning for Code Generation [64.2621682259008]
  セルフサーチスケーリングによるマルチエージェント強化トレーニングと推論フレームワーク(MARTI-MARS2) 本稿では,MARTI-MARS2を用いたマルチエージェント強化学習・推論フレームワークを提案する。 我々は、MARTI-MARS2が77.7%を獲得し、GPT-5.1のような強力なベースラインを、挑戦的なコード生成ベンチマークで上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-08T07:28:44Z)
• Collaborative Multi-Agent Test-Time Reinforcement Learning for Reasoning [112.16686518063456]
  textbfMulti-Agent Test-Time Reinforcement Learning (MATTRL)を導入する。 MATTRLは、マルチターンの議論、テストタイムの経験の検索と統合、最終的な意思決定のコンセンサスに到達するための、複数の専門家のチームを形成する。 MATTRLは、医学、数学、教育の挑戦的なベンチマーク全体にわたって、マルチエージェントベースラインで平均3.67%、同等のシングルエージェントベースラインで平均8.67%の精度を向上する。
  論文  参考訳（メタデータ） (2026-01-14T17:57:43Z)
• Emergent Coordination in Multi-Agent Language Models [2.504366738288215]
  マルチエージェントシステムが高次構造の兆候を示すかどうかをテストするための情報理論フレームワークを提案する。 この情報分解により、マルチエージェントLLMシステムに動的に出現するかどうかを測定することができる。 我々は,エージェントの直接通信を使わずに,単純な推測ゲームを用いた実験に本フレームワークを適用した。
  論文  参考訳（メタデータ） (2025-10-05T11:26:41Z)
• AgentGym: Evolving Large Language Model-based Agents across Diverse Environments [116.97648507802926]
  大規模言語モデル(LLM)はそのようなエージェントを構築するための有望な基盤と考えられている。 我々は、自己進化能力を備えた一般機能 LLM ベースのエージェントを構築するための第一歩を踏み出す。 我々はAgentGymを提案する。AgentGymは、幅広い、リアルタイム、ユニフォーマット、並行エージェント探索のための様々な環境とタスクを特徴とする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-06-06T15:15:41Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)

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。