論文の概要: Streaming Communication in Multi-Agent Reasoning

• arxiv url: http://arxiv.org/abs/2606.05158v1
• Date: Wed, 03 Jun 2026 17:57:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.949028
• Title: Streaming Communication in Multi-Agent Reasoning
• Title（参考訳）: マルチエージェント推論におけるストリーム通信
• Authors: Zhen Yang, Xiaogang Xu, Wen Wang, Cong Chen, Xander Xu, Ying-Cong Chen,
• Abstract要約: マルチエージェント推論システムであるStreamMAを導入し,各推論ステップを生成直後にダウンストリームエージェントにストリームする。 驚くことに、このパイプライニングは効果も向上する。 エージェントごとのステップの増加は、有効性と効率の両方を一貫して改善します。
• 参考スコア（独自算出の注目度）: 40.08350735550309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent reasoning systems adopt a "generate-then-transfer" paradigm that forces end-to-end latency to scale linearly with pipeline depth. We introduce StreamMA, a multi-agent reasoning system that streams each reasoning step to downstream agents as soon as it is generated, pipelining adjacent agents and thus reducing latency. Surprisingly, this pipelining also improves effectiveness: because multi-step reasoning quality is non-uniform and early steps are more reliable than later ones, working with these reliable early steps instead of the full chain prevents error-prone late steps from misleading downstream agents. We formalize both advantages with the first closed-form joint analysis of stream, serial, and single protocols, deriving the effectiveness ordering, speedup upper bound, and cost ratio. Across eight reasoning benchmarks spanning mathematics, science, and code, two frontier LLMs (Claude Opus 4.6 and GPT-5.4), and three topologies (Chain, Tree, Graph), StreamMA outperforms both baselines (avg. +7.3 pp, max +22.4 pp on HMMT 2026; Claude Opus 4.6-high). Beyond these contributions, we discover a "step-level scaling law": increasing per-agent steps consistently improves both effectiveness and efficiency, a new scaling dimension orthogonal to and composable with agent-count scaling.
• Abstract（参考訳）: マルチエージェント推論システムは、パイプラインの深さと線形にスケールするようにエンドツーエンドのレイテンシを強制する"ジェネレート・then-Transfer"パラダイムを採用している。 本稿では,各推論ステップを生成直後に下流エージェントにストリームするマルチエージェント推論システムStreamMAについて紹介する。 マルチステップ推論の品質は非均一であり、初期のステップは後段よりも信頼性が高いため、フルチェーンの代わりにこれらの信頼性の高い早期ステップで作業することで、エラーを起こしやすい後期ステップが下流エージェントを誤解させるのを防ぐ。 本研究では,ストリーム,シリアル,単一プロトコルの1次閉形式結合解析により両利点を定式化し,有効順序付け,高速化,コスト比を導出する。 数学、科学、コードにまたがる8つの推論ベンチマーク、二つのフロンティアLSM(Claude Opus 4.6 と GPT-5.4)、および3つのトポロジ(Chain, Tree, Graph)において、StreamMAは両方のベースライン(例: +7.3 pp, max +22.4 pp on HMMT 2026; Claude Opus 4.6-high)を上回っている。 エージェント単位のステップの増加は、有効性と効率の両方を一貫して改善し、新しいスケーリングディメンションは、エージェントカウントスケーリングと直交し、構成可能である。

関連論文リスト

• TacoMAS: Test-Time Co-Evolution of Topology and Capability in LLM-based Multi-Agent Systems [55.81570336226014]
  動的マルチエージェントシステムのためのテスト時間共進化フレームワークであるTacoMASを紹介する。 TacoMASはMAS推論をオンライングラフ適応のタスクとして定式化し、ノードは役割固有の能力を持つエージェントを表し、エッジはその通信トポロジを定義する。 4つのベンチマークの実験では、TacoMASは20近いマルチエージェントベースラインを上回り、最強ベースラインよりも平均13.3%向上した。
  論文  参考訳（メタデータ） (2026-05-10T13:52:00Z)
• 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)
• Decentralized Online Convex Optimization with Unknown Feedback Delays [12.543159785477952]
  本稿では,D-OCOを時間的・エージェント的に異なるフィードバック遅延下で研究する。 既存のアルゴリズムでは、エージェントの合計遅延に関する事前知識を前提としており、遅延パラメータとネットワークパラメータの両方に最適な依存を被っている。 改良されたO N $sqrt$ d tot + N $sqrt$ T (1-$2) 1/4 の後悔境界を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-01-12T12:59:01Z)
• 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)
• Staircase Streaming for Low-Latency Multi-Agent Inference [43.669722983497856]
  低遅延マルチエージェント推論のための階段ストリーミングを提案する。 階段ストリーミングは応答品質を維持しながらTTFTを最大93%削減することを示した。
  論文  参考訳（メタデータ） (2025-10-06T17:37:35Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)

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。