論文の概要: AgentFugue: Agent Scaling for Long-Horizon Tasks through Collective Reasoning

• arxiv url: http://arxiv.org/abs/2605.24486v1
• Date: Sat, 23 May 2026 09:21:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.081359
• Title: AgentFugue: Agent Scaling for Long-Horizon Tasks through Collective Reasoning
• Title（参考訳）: AgentFugue: 集合推論による長期タスクのエージェントスケーリング
• Authors: Yuyang Hu, Hongjin Qian, Shuting Wang, Jiongnan Liu, Tong Zhao, Xiaoxi Li, Zheng Liu, Zhicheng Dou,
• Abstract要約: AgentFugueは、共通の推論ハブを中心に構築された、集合的推論フレームワークである。 ピアエージェントが同じタスクを並列に探索する際、ハブは各エージェントが何を確立、試み、あるいは除外したかを簡潔に記録する。 この結果から,集団推論によってピアエージェントシステムのスケールアウトが実現可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 57.72181998599248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent progress on long-horizon agentic tasks has been driven largely by scaling up individual agents through stronger models, better tools, and more effective scaffolding. In contrast, much less is understood about scaling out: whether multiple peer agents, all targeting the same task, can become an additional source of capability without relying on explicit role specialization or workflow orchestration. We study this question and propose AgentFugue, a collective reasoning framework built around a shared reasoning hub. As peer agents explore the same task in parallel, the hub records concise notes on what each agent has established, attempted, or ruled out, and enables each agent to selectively access what other agents have discovered in a form useful for its current search. This design turns otherwise isolated trajectories into a connected ecology of reusable intermediate reasoning without requiring centralized planning. We instantiate the hub as a plug-in communication layer, trained with supervised fine-tuning and end-to-end reinforcement learning. Across the challenging long-horizon settings we study, AgentFugue improves over strong baselines. Our results suggest that collective reasoning can turn scaling out peer agent systems into a distinct source of capability gains, rather than merely a way of spending more compute.
• Abstract（参考訳）: 長期エージェントタスクの最近の進歩は、より強力なモデル、より良いツール、より効果的な足場を通じて、個々のエージェントをスケールアップすることによって大きく推進されている。 対照的に、スケールアウトに関して理解されていないのは、同じタスクをターゲットにした複数のピアエージェントが、明示的な役割の専門化やワークフローオーケストレーションに頼ることなく、機能追加のソースになるかどうかだ。 本稿では,共有推論ハブを中心に構築された集合的推論フレームワークであるAgentFugueを提案する。 ピアエージェントが同じタスクを並列に探索する際、ハブは各エージェントが確立、試み、あるいは除外したことについて簡潔なメモを記録し、各エージェントが現在の検索に有用な形で他のエージェントが発見したものにアクセスできるようにする。 この設計は、孤立した軌道を中央集権的な計画を必要とせず、再利用可能な中間推論のコネクテッドエコロジーに変える。 我々は、ハブをプラグイン通信層としてインスタンス化し、教師付き微調整とエンドツーエンドの強化学習で訓練する。 私たちが研究している長期的環境の中で、AgentFugueは強力なベースラインよりも改善しています。 我々の結果は、集合的推論が、単により多くの計算に費やす方法ではなく、ピアエージェントシステムを別の能力向上源にスケールアウトすることができることを示唆している。

関連論文リスト

• Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning [84.70211451226835]
  大規模言語モデル(LLM)エージェントは、人間の計算データへの依存によって制約される。 我々は,外部データを持たない高性能エージェントを進化させる完全自律型フレームワークであるAgent0を紹介する。 Agent0は推論能力を大幅に向上させ、Qwen3-8B-Baseモデルを数学的推論で18%改善し、一般的な推論ベンチマークで24%改善した。
  論文  参考訳（メタデータ） (2025-11-20T05:01:57Z)
• Scaling Large Language Model-based Multi-Agent Collaboration [72.8998796426346]
  近年の大規模言語モデル駆動型自律エージェントのブレークスルーにより、複数エージェントのコラボレーションが集団的推論を通じて各個人を上回ることが判明している。 本研究は、協調剤の連続的な添加が同様の利益をもたらすかどうかを考察する。
  論文  参考訳（メタデータ） (2024-06-11T11:02:04Z)
• 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)
• Multi-agent Deep Covering Skill Discovery [50.812414209206054]
  本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。 また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。 提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
  論文  参考訳（メタデータ） (2022-10-07T00:40:59Z)
• Decentralized scheduling through an adaptive, trading-based multi-agent system [1.7403133838762448]
  多エージェント強化学習システムでは、あるエージェントの動作が他のエージェントの報酬に悪影響を及ぼす可能性がある。 この作業は、エージェントが入ってくるジョブをコアに割り当てる責任を負うシミュレーションスケジューリング環境に、トレーディングアプローチを適用します。 エージェントは計算コアの使用権を交換して、低優先度で低報酬のジョブよりも高速に、高利益のジョブを処理できる。
  論文  参考訳（メタデータ） (2022-07-05T13:50:18Z)

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。