論文の概要: SwarmResearch: Orchestrating Coding Agents for Open-Ended Discovery

• arxiv url: http://arxiv.org/abs/2607.02807v1
• Date: Thu, 02 Jul 2026 22:47:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.426327
• Title: SwarmResearch: Orchestrating Coding Agents for Open-Ended Discovery
• Title（参考訳）: SwarmResearch: オープンエンドディスカバリのためのコーディングエージェントのオーケストレーション
• Authors: Yuvraj Virk, Zack Edds, Chunqiu Steven Xia, Lingming Zhang,
• Abstract要約: オート検索のような長期にわたる符号化エージェントは、オープンエンド問題の最適化を継続的に発見することができる。 我々はSwarmResearchを紹介した。SwarmResearchは、シェパードエージェントがグローバルコンテキストを使用して検索エージェントの集団を操るオーケストレータ・サブエージェントハーネスである。 オープンエンド最適化タスクにおいて、SwarmResearchは最先端のLLM誘導進化とマルチエージェント技術に対するより良い、あるいは同等のソリューションを発見する。
• 参考スコア（独自算出の注目度）: 11.64410415121195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-running coding agents such as autoresearch can persistently discover optimizations for open-ended problems. However, they tend to converge onto a single high-level approach, then proceed with low-level edits while missing other superior approaches to the problem. We hypothesize two harness-level design choices contribute to this behavior: accumulating context in a single long-running agent and only exposing a single program state to edit. We introduce SwarmResearch, an orchestrator-subagent harness in which a Shepherd Agent uses global context to steer a population of Search Agents, each operating with local context in their respective git branch. On open-ended optimization tasks, SwarmResearch discovers better or comparable solutions to state-of-the-art LLM-guided evolution and multi-agent techniques on 13/15 tasks, driven by higher-level exploration. Compared with fixed scaling of serial and parallel agents, SwarmResearch's orchestrator-guided scaling discovers better-performing solutions by adapting parallelism at different search depths.
• Abstract（参考訳）: オート検索のような長期にわたる符号化エージェントは、オープンエンド問題の最適化を継続的に発見することができる。 しかし、それらは単一のハイレベルなアプローチに収束し、問題に対する他の優れたアプローチを欠きながら、低レベルな編集を進める傾向にある。 我々は、2つのハーネスレベルの設計選択がこの振る舞いに寄与すると仮定する: コンテキストを1つの長時間実行エージェントに蓄積し、編集するプログラム状態だけを公開する。 我々はSwarmResearchを紹介した。SwarmResearchは、Shepherd Agentがグローバルコンテキストを使用して検索エージェントの集団を操り、それぞれのgitブランチでローカルコンテキストで操作するオーケストレータサブエージェントハーネスである。 オープンな最適化タスクにおいて、SwarmResearchは、より高度な探索によって駆動される13/15タスクにおける最先端のLLM誘導進化とマルチエージェント技術に対するより良い、あるいは同等のソリューションを発見する。 シリアルエージェントと並列エージェントの固定スケーリングと比較して、SwarmResearchのオーケストレータ誘導スケーリングは、異なる検索深さで並列処理を適用することで、より良いパフォーマンスのソリューションを発見する。

関連論文リスト

• COAgents: Multi-Agent Framework to Learn and Navigate Routing Problems Search Space [18.154961815020155]
  車両ルーティング問題(VRP)は、多くの現実世界システムに必須であるが、その複雑さのため、大規模に拡張可能である。 検索プロセスをグラフとしてモデル化する協調型マルチエージェントフレームワークである textbfCOAgents を紹介する。 実験の結果、COAgentsはCVRPのいくつかの学習ベースラインと競合し続けており、より困難なVRPTWインスタンス上での学習ベースの手法の中で、新しい最先端の技術を定めている。
  論文  参考訳（メタデータ） (2026-05-20T02:07:10Z)
• AgentSearchBench: A Benchmark for AI Agent Search in the Wild [21.739444037726418]
  本稿では,エージェント検索のための大規模ベンチマークであるAgentSearchBenchを紹介する。 このベンチマークは、エージェント検索を検索として形式化し、実行可能タスククエリと高レベルタスク記述の両方で問題を再分類する。 実行認識型探索を含む軽量な行動信号は、ランキング品質を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2026-04-24T10:53:54Z)
• Improving Coherence and Persistence in Agentic AI for System Optimization [9.443037059325086]
  Engramは、反復的にメカニズムを設計、テスト、分析する一連のエージェントを探索する。 本研究では,マルチクラウドマルチキャスト推論,LLM要求ルーティング,自然言語クエリを用いたデータベースにおけるKVキャッシュ再利用の最適化など,さまざまな領域において優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2026-03-22T17:04:50Z)
• Agentic-R: Learning to Retrieve for Agentic Search [82.43426728778418]
  エージェント検索に適した新しい検索学習フレームワークを提案する。 単一ターン検索拡張生成(RAG)用に設計された検索器とは違って,局所的なクエリ・パスの関連性とグローバルな回答の正当性を両立することを提案する。 我々のレトリバーは、我々のものとよばれ、異なる検索エージェント間で強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-17T02:59:54Z)
• BOAD: Discovering Hierarchical Software Engineering Agents via Bandit Optimization [41.08366028094234]
  大規模言語モデル(LLM)は、現実世界のソフトウェア工学の問題を一般化するのに苦労する。 既存のシステムはワークフロー全体の問題を処理するために、単一のエージェントに依存することが多い。 人間の技術者が複雑な問題を分解する方法に触発され、我々はSWEエージェントをオーケストラとして構成し、特殊なサブエージェントをコーディネートすることを提案する。
  論文  参考訳（メタデータ） (2025-12-29T17:41:11Z)
• 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)
• Multi-Agent Sampling: Scaling Inference Compute for Data Synthesis with Tree Search-Based Agentic Collaboration [81.45763823762682]
  本研究の目的は,マルチエージェントサンプリングによるデータ合成の問題を調べることでギャップを埋めることである。 逐次サンプリングプロセス中にワークフローが反復的に進化する木探索に基づくオーケストレーションエージェント(TOA)を紹介する。 アライメント、機械翻訳、数学的推論に関する実験は、マルチエージェントサンプリングが推論計算スケールとしてシングルエージェントサンプリングを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-12-22T15:16:44Z)
• Monte-Carlo Tree Search for Multi-Agent Pathfinding: Preliminary Results [60.4817465598352]
  マルチエージェントパスフィンディングに適したモンテカルロ木探索(MCTS)のオリジナル版を紹介する。 具体的には,エージェントの目標達成行動を支援するために,個別の経路を用いる。 また,木探索手順の分岐係数を低減するために,専用の分解手法を用いる。
  論文  参考訳（メタデータ） (2023-07-25T12:33:53Z)
• Multi-agent Deep Covering Skill Discovery [50.812414209206054]
  本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。 また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。 提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
  論文  参考訳（メタデータ） (2022-10-07T00:40:59Z)

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。