論文の概要: MECoBench: A Systematic Study of Multimodal Agent Collaboration in Embodied Environments

• arxiv url: http://arxiv.org/abs/2606.31966v1
• Date: Tue, 30 Jun 2026 17:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.321977
• Title: MECoBench: A Systematic Study of Multimodal Agent Collaboration in Embodied Environments
• Title（参考訳）: MECoBench: 身体環境におけるマルチモーダルエージェント協調の体系的研究
• Abstract要約: マルチモーダルな大規模言語モデル(MLLM)は、エンボディエージェントとして強い可能性を持っているが、視覚的に接地された環境で協調する能力はいまだ研究されていない。 マルチモーダルな組立協調ベンチマークであるMECoBenchを導入し,多様な実世界のタスク,2つの協調構造,3つの協調モードにまたがる評価プラットフォームを提案する。
• 参考スコア（独自算出の注目度）: 39.79361155591304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent multimodal large language models (MLLMs) have strong potential as embodied agents, but their ability to collaborate in visually grounded environments remains underexplored. To address this gap, we introduce MECoBench, a multimodal embodied cooperation benchmark with an evaluation platform spanning diverse real-world tasks, two cooperation structures, and three collaboration modes. Through extensive experiments across various MLLMs, we summarize three key findings: (i) Collaboration generally improves embodied task completion, but its benefits depend on balancing collaborative gains against coordination complexity. (ii) Communication is essential to collaboration gains, while the best collaboration mode depends on team size and model capability. (iii) Moreover, collaboration improves robustness under noisy priors and exploration conditions. Generally, MECoBench provides a systematic testbed for understanding the mechanisms and limits of multimodal embodied collaboration. Code and dataset are available at https://github.com/q-i-n-g/MECoBench.
• Abstract（参考訳）: 近年のマルチモーダル大規模言語モデル (MLLM) は, エンボディエージェントとしての可能性が高いが, 視覚的に接地した環境で協調する能力はいまだ研究されていない。 このギャップに対処するため,マルチモーダルな組込み協調ベンチマークであるMECoBenchを導入し,多様な実世界のタスクと2つの協調構造,3つの協調モードにまたがる評価プラットフォームを提案する。 各種MLLMの広範な実験を通じて,3つの重要な知見をまとめる。 (i)コラボレーションは一般的に実施されたタスク完了を改善するが、その利点は協調的な利得と調整の複雑さのバランスに依存する。 (ii)コミュニケーションはコラボレーションの利益に不可欠であり、最高のコラボレーションモードはチームのサイズとモデル能力に依存します。 (三)さらに、騒音や探索条件下での協調により堅牢性が向上する。 一般に、MECoBenchはマルチモーダルな具体的コラボレーションのメカニズムと限界を理解するための体系的なテストベッドを提供する。 コードとデータセットはhttps://github.com/q-i-n-g/MECoBench.comで公開されている。

関連論文リスト

• CollabSim: A CSCW-Grounded Methodology for Investigating Collaborative Competence of LLM Agents through Controlled Multi-Agent Experiments [32.043112677406064]
  CollabSimは、理論に基づく協調能力の定義、相互作用条件の制御、エージェントの内部状態のアクションレベル探索を組み合わせたシミュレーションフレームワークである。 CollabSimは条件効果をキャプチャし、モデルパフォーマンスパターンを分離し、エージェント設計のタスク依存効果を明らかにする。
  論文  参考訳（メタデータ） (2026-06-04T17:06:22Z)
• EmCoop: A Framework and Benchmark for Embodied Cooperation Among LLM Agents [18.802912315746564]
  EmCoopは、組み込みマルチエージェントシステムの協調を研究するためのベンチマークフレームワークである。 我々のフレームワークは、高レベルの認知層と低レベルのエンボディドインタラクション層を分離する。 コラボレーションの品質と障害モードを診断する,一般化可能なプロセスレベルのメトリクスを提案する。
  論文  参考訳（メタデータ） (2026-02-27T22:28:33Z)
• MoCo: A One-Stop Shop for Model Collaboration Research [132.52160996841505]
  MoCo: 大規模なモデルコラボレーションアルゴリズムの実行、ベンチマーク、比較を行う、ワンストップPythonライブラリ。 MoCoは26のモデルコラボレーションメソッドを備えており、さまざまなレベルのクロスモデル情報交換が可能である。 MoCoによる大規模な実験は、ほとんどのコラボレーション戦略が、コラボレーションなしでモデルより優れていることを示している。 私たちは、MoCoをオープンでモジュール化され、分散化され、協力的なAIの未来を探求するための、貴重なツールキットとして想定しています。
  論文  参考訳（メタデータ） (2026-01-29T04:36:52Z)
• 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)
• MultiAgentBench: Evaluating the Collaboration and Competition of LLM agents [59.825725526176655]
  大規模言語モデル(LLM)は、自律的なエージェントとして顕著な能力を示している。 既存のベンチマークでは、単一エージェントタスクにフォーカスするか、狭いドメインに限定されており、マルチエージェントのコーディネーションと競合のダイナミクスを捉えていない。 多様な対話シナリオにまたがってLLMベースのマルチエージェントシステムを評価するためのベンチマークであるMultiAgentBenchを紹介する。
  論文  参考訳（メタデータ） (2025-03-03T05:18:50Z)
• Multi-Agent Collaboration Mechanisms: A Survey of LLMs [6.545098975181273]
  マルチエージェントシステム(Multi-Agent Systems、MAS)は、知的エージェントのグループによる複雑なタスクの協調と解決を可能にする。 この研究は、MASの協調的な側面に関する広範な調査を提供し、将来の研究を導くための枠組みを紹介している。
  論文  参考訳（メタデータ） (2025-01-10T19:56:50Z)
• What Makes Good Collaborative Views? Contrastive Mutual Information Maximization for Multi-Agent Perception [52.41695608928129]
  マルチエージェント認識(MAP)は、複数のソースからのデータを解釈することで、自律システムが複雑な環境を理解することを可能にする。 本稿では,MAPにおける協調的視点の「良い」特性を探求することに焦点を当てた中間的協調について検討する。 中間コラボレーションのための新しいフレームワークCMiMCを提案する。
  論文  参考訳（メタデータ） (2024-03-15T07:18:55Z)
• Beyond Isolation: Multi-Agent Synergy for Improving Knowledge Graph Construction [6.020016097668138]
  CooperKGCは、知識グラフ構築(KGC)における大規模言語モデル(LLM)の従来の孤立的アプローチに挑戦する新しいフレームワークである。 CooperKGCはコラボレーティブな処理ネットワークを確立し、エンティティ、リレーション、イベント抽出タスクを同時に処理できるチームを組み立てる。
  論文  参考訳（メタデータ） (2023-12-05T07:27:08Z)
• UMC: A Unified Bandwidth-efficient and Multi-resolution based Collaborative Perception Framework [20.713675020714835]
  UMCと呼ばれる統一協調認識フレームワークを提案する。 マルチレゾリューション技術を用いて,コミュニケーション,コラボレーション,再構築プロセスの最適化を図っている。 実験の結果,提案したUTCは,最先端の協調認識手法よりも優れていたことが確認された。
  論文  参考訳（メタデータ） (2023-03-22T09:09:02Z)
• Structured Diversification Emergence via Reinforced Organization Control and Hierarchical Consensus Learning [48.525944995851965]
  組織制御の強化と階層的コンセンサス学習に基づく構造的多様化型MARLフレームワーク scRochico を提案する。 scRochicoは、探索効率と協力強度の観点から、現在のSOTAアルゴリズムよりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-02-09T11:46:12Z)

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。