論文の概要: Mixture of Debaters: Learn to Debate at Architectural Level in Multi-Agent Reasoning
- arxiv url: http://arxiv.org/abs/2606.29425v1
- Date: Sun, 28 Jun 2026 14:40:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.90961
- Title: Mixture of Debaters: Learn to Debate at Architectural Level in Multi-Agent Reasoning
- Title（参考訳）: デバタの混合:マルチエージェント推論におけるアーキテクチャレベルでの議論を学ぶ
- Authors: Dayong Liang, Kaisong Gong, Yi Cai, Changmeng Zheng, Xiao-Yong Wei,
- Abstract要約: Mixture of Debaters (MoD)は、単一のモデル内で動的自己議論を可能にする統一されたフレームワークである。
弁証的推論にMoEを適用する上での3つの課題に対処する。
マルチモーダルベンチマークの実験では、MoDはシングルモデルベースラインと従来のマルチエージェントシステムの両方に優れていた。
- 参考スコア（独自算出の注目度）: 16.45665127823716
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing multi-agent debate frameworks suffer from two critical limitations: they rely on static architectures where agent roles and coordination patterns are fixed at design time, and they require instantiating multiple model copies, incurring substantial computational overhead. We propose Mixture of Debaters (MoD), a unified framework that enables dynamic self-debate within a single model by leveraging the Mixture-of-Experts paradigm. We address three key challenges in adapting MoE for dialectical reasoning: (1) dual-routing that decouples role allocation from process flow, dynamically determining when to debate versus when to synthesize; (2) momentum switching that smooths token-level routing with local context, reducing expert-switch jitter; and (3) unified self-debate that encapsulates diverse debating personas into lightweight expert modules, eliminating inter-agent communication while preserving behavioral diversity. Extensive experiments on multimodal benchmarks demonstrate that MoD outperforms both single-model baselines and conventional multi-agent systems, achieving superior accuracy with 3.7x lower latency and 87% reduction in token consumption.The source code can be accessed at https://github.com/YongLD/MoD.
- Abstract（参考訳）: エージェントの役割と調整パターンが設計時に固定される静的アーキテクチャに依存しており、複数のモデルのコピーをインスタンス化する必要がある。
我々は,Mixture-of-Expertsパラダイムを活用することで,単一のモデル内で動的自己議論を可能にする統合フレームワークであるMixture of Debaters(MoD)を提案する。
弁証的推論にMoEを適用する上での課題は3つある:(1)プロセスフローから役割割り当てを分離し、いつ議論するかを動的に決定し、いつ合成するかを動的に決定するデュアルルーティング、(2)トークンレベルのルーティングを局所的コンテキストで円滑に行うモーメントスイッチング、エキスパート・スウィッチジッターの削減、(3)多様な議論のペルソナを軽量な専門家モジュールにカプセル化し、行動多様性を維持しながらエージェント間コミュニケーションをなくす統一自己議論。
マルチモーダルベンチマークの大規模な実験により、MoDはシングルモデルベースラインと従来のマルチエージェントシステムの両方より優れており、より優れた精度で3.7倍のレイテンシとトークン消費の87%の削減を実現している。ソースコードはhttps://github.com/YongLD/MoDでアクセス可能である。
関連論文リスト
- Latent Agents: A Post-Training Procedure for Internalized Multi-Agent Debate [16.68699018207298]
大規模言語モデル(LLM)における推論を改善するためのマルチエージェントの議論が示されている。
2段階の微調整パイプラインを通して,マルチエージェントの議論を単一のLLMに蒸留するフレームワークを開発した。
内部化モデルは、最大93%のトークンを使用して、明示的なマルチエージェントの議論パフォーマンスにマッチするか、超過します。
論文 参考訳（メタデータ） (2026-04-27T18:06:03Z) - BiManiBench: A Hierarchical Benchmark for Evaluating Bimanual Coordination of Multimodal Large Language Models [30.38546017617527]
MLLM(Multi Large Language Models)を評価するベンチマークであるBiManiBenchを紹介した。
本フレームワークは,腕の到達性や運動的制約など,独特な両面的課題を分離する。
30以上の最先端モデルの解析により、高度推論能力にもかかわらず、MLLMはデュアルアームの空間接地と制御に苦しむことが明らかとなった。
論文 参考訳（メタデータ） (2026-02-09T08:47:14Z) - AgentArk: Distilling Multi-Agent Intelligence into a Single LLM Agent [57.10083973844841]
AgentArkは、マルチエージェントダイナミクスを単一のモデルの重みに蒸留する新しいフレームワークである。
各種モデル,タスク,スケーリング,シナリオの3つの階層的蒸留戦略について検討する。
シミュレーションからトレーニングへ計算の負担をシフトさせることで、蒸留されたモデルは、複数のエージェントの強い推論と自己補正性能を示しながら、一つのエージェントの効率を保ちます。
論文 参考訳（メタデータ） (2026-02-03T19:18:28Z) - TS-Debate: Multimodal Collaborative Debate for Zero-Shot Time Series Reasoning [44.59910717749994]
我々は、ゼロショット時系列推論のためのモダリティに特化して協調的なマルチエージェント討論フレームワークTS-Debateを提案する。
TS-Debateは、明示的なドメイン知識の推論に先行するテキストコンテキスト、視覚パターン、数値信号に専用の専門家エージェントを割り当てる。
レビューエージェントは、軽量コード実行と数値的なルックアップをサポートする検証-衝突-校正機構を使用してエージェントのクレームを評価する。
論文 参考訳（メタデータ） (2026-01-27T03:29:22Z) - DynaDebate: Breaking Homogeneity in Multi-Agent Debate with Dynamic Path Generation [47.62978918069135]
DynaDebate (Dynamic Multi-Agent Debate) を導入し,3つのキーメカニズムによるマルチエージェント討論の有効性を高める。
大規模な実験により、DynaDebateは既存の最先端のMADメソッドを超越して、様々なベンチマークで優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-01-09T12:01:33Z) - Single LLM Debate, MoLaCE: Mixture of Latent Concept Experts Against Confirmation Bias [24.182306712604966]
大規模言語モデル(LLM)は入力確認バイアスに対して非常に脆弱である。
MoLaCEは軽量な推論時間フレームワークで、アクティベーション強度の異なる専門家を混在させることで、確認バイアスに対処する。
検証バイアスを一貫して低減し、堅牢性を向上し、マルチエージェントの議論を上回ることを実証的に示す。
論文 参考訳（メタデータ） (2025-12-29T14:52:34Z) - AMUSE: Audio-Visual Benchmark and Alignment Framework for Agentic Multi-Speaker Understanding [73.05946667683259]
最近の大規模言語モデル(MLLM)は、強い認識を示すが、多話者、対話中心の設定に苦戦している。
本質的にエージェント的なタスクを中心に設計されたベンチマークであるAMUSEを紹介します。
我々は、報酬最適化と本質的なマルチモーダル自己評価を統合するデータ効率の高いエージェントアライメントフレームワークRAFTを提案する。
論文 参考訳（メタデータ） (2025-12-18T07:01:47Z) - NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。
NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。
さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
論文 参考訳（メタデータ） (2025-10-15T16:25:18Z) - MADIAVE: Multi-Agent Debate for Implicit Attribute Value Extraction [52.89860691282002]
インプシット属性値抽出(AVE)は、電子商取引における商品の正確な表現に不可欠である。
マルチモーダル大言語モデル(MLLM)の進歩にもかかわらず、多次元データの複雑さのため暗黙のAVEは依然として困難である。
我々は,複数のMLLMエージェントを用いて推論を反復的に洗練するマルチエージェント討論フレームワークであるtextscmodelnameを紹介する。
論文 参考訳（メタデータ） (2025-10-07T06:27:42Z)
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。