論文の概要: Scaling Behavior of Single LLM-Driven Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2606.00655v1
• Date: Sat, 30 May 2026 09:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.576041
• Title: Scaling Behavior of Single LLM-Driven Multi-Agent Systems
• Title（参考訳）: 単一LLM駆動多エージェントシステムのスケーリング挙動
• Authors: Jialing Li, Zhouhong Gu, Yin Cai, Hongwei Feng,
• Abstract要約: マルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むことを約束する。 本稿では, エージェント数の増加に伴い, 均質MASの性能がどう進化するかを系統的に検討する。
• 参考スコア（独自算出の注目度）: 5.2324118961669575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The burgeoning field of LLM-based Multi-Agent Systems (MAS) promises to tackle complex tasks through collaborative intelligence, yet fundamental questions regarding their scaling behavior and intrinsic collective dynamics remain underexplored. This paper systematically investigates how the performance of a homogeneous MAS evolves as the number of agents increases, isolating the variable of collaboration from model or knowledge heterogeneity. We propose the Sequential Iterative Multi-Agent System (SIMAS) framework, a minimalist architecture centered on sequential inter-agent communication, to clearly observe scaling effects. Through extensive experiments across diverse tasks and model scales, we establish that MAS performance does not scale monotonically with agent count but follows a pattern of diminishing returns, governed by a trade-off between collaborative synergy and coordination overhead. Our findings reveal that effective MAS requires a sufficiently capable base LLM, that task type critically modulates the optimal agent count, and that collective intelligence is an emergent property contingent on strategic interaction design rather than a guaranteed outcome of agent plurality. The performance degradation stems coordination overhead rather than merely long-context failure, and the scaling tendency generalizes across interaction architectures like structured debate topologies. This work provides a foundational understanding of MAS scaling laws, offering practical guidance for designing efficient collaborative systems and challenging the prevailing assumption that more agents invariably lead to better performance.
• Abstract（参考訳）: LLMベースのMulti-Agent Systems (MAS)の急成長する分野は、協調的な知性によって複雑なタスクに取り組むことを約束するが、そのスケーリング行動と固有の集団力学に関する根本的な疑問は未解決のままである。 本稿では,エージェント数の増加に伴って同種MASの性能がどう進化するかを系統的に検討し,モデルや知識の不均一性から協調の変数を分離する。 逐次的エージェント間通信を中心とした最小限のアーキテクチャであるSIMAS(Sequential Iterative Multi-Agent System)フレームワークを提案する。 多様なタスクやモデルスケールにわたる広範な実験を通じて、MASのパフォーマンスはエージェント数と単調にスケールするのではなく、協調的シナジーと協調的オーバーヘッドの間のトレードオフによって支配されるリターンの減少パターンに従うことが確認された。 本研究により,MAS の有効性には十分な能力を持つベース LLM が必要であり,タスクタイプは最適なエージェント数をクリティカルに調整し,集合的知性はエージェントの保証された結果ではなく,戦略的相互作用設計に基づく創発的特性であることが明らかとなった。 パフォーマンス劣化は、単に長いコンテキストの失敗というよりもコーディネーションのオーバーヘッドを招き、スケーリング傾向は構造化された議論トポロジのような相互作用アーキテクチャ全体にわたって一般化する。 この研究は、MASスケーリング法則の基本的な理解を提供し、効率的な協調システムを設計するための実践的なガイダンスを提供し、より多くのエージェントが必ずより良いパフォーマンスをもたらすという一般的な仮定に挑戦する。

関連論文リスト

• Guided Collaboration in Heterogeneous LLM-Based Multi-Agent Systems via Entropy-Based Understanding Assessment and Experience Retrieval [35.96356869281219]
  本稿では,強弱系における反直観的現象について述べる。 本稿では,各エージェントの認知状態を動的に調整するエントロピーに基づく適応誘導フレームワークを提案する。 我々のアプローチは、不均一なコラボレーションの有効性と安定性を一貫して向上させる。
  論文  参考訳（メタデータ） (2026-02-14T07:10:04Z)
• Scalable Multiagent Reinforcement Learning with Collective Influence Estimation [5.050035210247092]
  本稿では,集団影響推定ネットワークを付加したマルチエージェント学習フレームワークを提案する。 タスクオブジェクトに対する他のエージェントの集団的影響を明示的にモデル化することにより、各エージェントはクリティカルな相互作用情報を推測することができる。 実験の結果,提案手法は通信制限環境下での安定かつ効率的な協調を実現することがわかった。
  論文  参考訳（メタデータ） (2026-01-13T04:24:11Z)
• 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)
• 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)
• 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)
• MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
  MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。 MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)
• Enhancing Heterogeneous Multi-Agent Cooperation in Decentralized MARL via GNN-driven Intrinsic Rewards [1.179778723980276]
  MARL(Multi-agent Reinforcement Learning)は、シーケンシャルな意思決定と制御タスクの鍵となるフレームワークである。 これらのシステムを現実のシナリオに展開するには、分散トレーニング、多様なエージェントセット、そして頻繁な環境報酬信号から学ぶ必要がある。 我々は,新しいグラフニューラルネットワーク(GNN)に基づく本質的なモチベーションを利用して,異種エージェントポリシーの学習を容易にするCoHetアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-12T21:38:40Z)
• 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)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)

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。