論文の概要: Recognize Your Orchestrator: An Entropy Dynamics Perspective for LLM Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2606.01351v1
- Date: Sun, 31 May 2026 17:06:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:29.601169
- Title: Recognize Your Orchestrator: An Entropy Dynamics Perspective for LLM Multi-Agent Systems
- Title（参考訳）: オーケストラを認識する: LLMマルチエージェントシステムのためのエントロピーダイナミクス
- Authors: Junze Zhu, Weihao Chen, Xuanwang Zhang, Zhen Wu, Xinyu Dai,
- Abstract要約: マルチエージェントシステム(MAS)は、高度な問題解決能力を約束するが、中央集権的なオーケストレーショントポロジは、脆弱性の重要なポイントである。
本稿では,タスク解決と累積コンテキストローディングの競合する力によって制御されるシステムとして,オーケストレーションプロセスをモデル化する,平均フィールドエントロピーダイナミクスフレームワークを提案する。
我々のエントロピー力学モデルが経験的軌道に適合していることを示し、システムの安定性と性能崩壊を定量的に解釈可能なパラメータを提供する。
- 参考スコア（独自算出の注目度）: 20.981858066136567
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The transition from single-turn models to Multi-Agent Systems (MAS) promises enhanced problem-solving capabilities, yet the centralized orchestration topology remains a critical point of fragility. To analyze this, we propose a Mean-Field Entropy Dynamics framework, modeling the orchestration process as a system governed by the competing forces of task resolution and cumulative context loading. To facilitate validation, we introduce Inverse Workflow Generation (IWG), a multi-agent pipeline that synthesizes process-verifiable, high-complexity benchmarks with dense intermediate checkpoints. We demonstrate that our entropy dynamics model fits empirical trajectories, providing physically interpretable parameters that quantify system stability and performance collapse. Crucially, our analysis uncovers a ``Reasoning Trap": while reasoning-heavy models excel in isolated tasks, they frequently fail as orchestrators due to context squeezing. Elucidating the physical mechanisms underlying the Orchestrator and quantifying systemic uncertainty offers insights for the MASs' architectural design.
- Abstract（参考訳）: シングルターンモデルからマルチエージェントシステム(MAS)への移行は、問題解決能力の向上を約束するが、中央集権的なオーケストレーショントポロジは、脆弱性の重要なポイントである。
これを分析するために,タスク解決と累積コンテキストロードの競合する力によって制御されるシステムとして,オーケストレーションプロセスをモデル化する,平均フィールドエントロピーダイナミクスフレームワークを提案する。
検証を容易にするために,プロセス検証可能な高複雑性ベンチマークを高密度中間チェックポイントで合成するマルチエージェントパイプラインであるInverse Workflow Generation (IWG)を導入する。
我々のエントロピー力学モデルは経験的軌道に適合し、システムの安定性と性能崩壊を定量化する物理的に解釈可能なパラメータを提供する。
推論重大なモデルは独立したタスクで優れているが、コンテキストスクイーズのため、しばしばオーケストレータとして失敗する。
オーケストレーションの基盤となる物理的なメカニズムを解明し、システムの不確実性を定量化することは、MASのアーキテクチャ設計に対する洞察を与える。
関連論文リスト
- A Unified Framework for Structured Flow Modeling: From Continuous Fields to Data-Driven Representations [0.0]
力学系は、ソース/シンクの挙動、循環力学、トポロジーに制約された輸送を結合した構造的流れで記述することができる。
この研究は、ヘルムホルツ・ホッジ分解に基づく連続的な定式化を離散的およびデータ駆動的表現と結合することによって、そのようなシステムに対する統一的な視点を提供する。
論文 参考訳（メタデータ） (2026-05-18T11:52:09Z) - Differentiable Mixture-of-Agents Incentivizes Swarm Intelligence of Large Language Models [17.7409616106227]
Differentiable Mixture-of-Agents (DMoA) は、推論中に弾性および適応的なエージェントの協調を可能にする自己進化型マルチエージェントフレームワークである。
DMoAは, 高い効率, 堅牢性, アンサンブル性を示しながら, 最先端性能を実現していることを示す。
論文 参考訳（メタデータ） (2026-05-15T07:54:46Z) - Chain of Modality: From Static Fusion to Dynamic Orchestration in Omni-MLLMs [84.3271821505699]
カオス・オブ・モダリティ(Chain of Modality, CoM)は、マルチモーダル融合を受動的結合から動的オーケストレーションに移行するエージェントフレームワークである。
CoMはトレーニングフリーまたはデータ効率のSFT設定で動作し、様々なベンチマークで堅牢で一貫した一般化を実現する。
論文 参考訳（メタデータ） (2026-04-16T01:21:14Z) - Alignment in Time: Peak-Aware Orchestration for Long-Horizon Agentic Systems [2.5424331328233207]
APEMO(Affect-aware Peak-End Modulation for Orchestration)をランタイムスケジューリング層として導入する。
APEMOは行動プロキシを通じて軌道不安定を検知し、ピークモーメントや終了といった重要な部分での修復を目標とする。
その結果,時間的制御問題としてアライメントを再構築し,長軸エージェントシステムの開発にレジリエントな工学的経路を提供する。
論文 参考訳（メタデータ） (2026-02-20T00:16:07Z) - Guided Verifier: Collaborative Multimodal Reasoning via Dynamic Process Supervision [11.159231524113764]
マルチモーダル大規模言語モデル(MLLM)の複雑な推論能力を高めるための重要なメカニズムとして強化学習(RL)が登場した。
本稿では,これらの構造的制約に対処する textbfGuided Verifier フレームワークを提案する。
我々は,マルチモーダル幻覚をターゲットとした特殊なデータ合成パイプラインを開発し,プロセスレベルの負の textbfCoRe データセットとtextbfCorrect-guide textbfReasoning トラジェクトリを構築し,ガイド付き検証器を訓練する。
論文 参考訳（メタデータ） (2026-02-04T07:38:42Z) - OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
論文 参考訳（メタデータ） (2026-02-04T02:25:40Z) - Refer-Agent: A Collaborative Multi-Agent System with Reasoning and Reflection for Referring Video Object Segmentation [50.22481337087162]
Referring Video Object (RVOS) は、テキストクエリに基づくビデオ内のオブジェクトのセグメンテーションを目的としている。
Refer-Agent (Refer-Agent) は、共用多エージェントシステムである。
論文 参考訳（メタデータ） (2026-02-03T14:48:12Z) - MAS-Orchestra: Understanding and Improving Multi-Agent Reasoning Through Holistic Orchestration and Controlled Benchmarks [86.05918381895555]
関数呼び出し強化学習問題としてMASオーケストレーションを定式化する訓練時間フレームワークとしてMASOrchestraを提案する。
MAS-Orchestraでは、複雑なゴール指向のサブエージェントは呼び出し可能な関数として抽象化され、システム構造に対する大域的推論を可能にする。
分析の結果,MASはタスク構造や検証プロトコル,オーケストレータとサブエージェントの両方の機能に大きく依存していることが判明した。
論文 参考訳（メタデータ） (2026-01-21T04:57:02Z) - 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)
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。