論文の概要: Think Big, Search Small: Where Capacity Matters in Hierarchical Search Agents?

• arxiv url: http://arxiv.org/abs/2607.07548v1
• Date: Wed, 08 Jul 2026 15:46:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.4447
• Title: Think Big, Search Small: Where Capacity Matters in Hierarchical Search Agents?
• Title（参考訳）: 検索の巨大化: 階層的検索エージェントの能力が重要か?
• Abstract要約: 階層探索を3つの役割に分類する: タスク分解に責任を持つ代表役, 検索とエビデンス抽出に責任を持つ実行役, 共起制御として固定された回答生成役。 第一に、ロールファクター化はシングルエージェントのベースラインを一貫して上回り、6つのモデルスケールで4.5から8.6ポイントまで正確なマッチングを改善している。 第2に、キャパシティ感度は非対称であり、デリゲートバックボーンのスケーリングはEMを11ポイント改善する一方、実行サブエージェントのスケーリングはEMを2.6ポイントだけ移動させ、分解を能力ボトルネックとして識別する。
• 参考スコア（独自算出の注目度）: 5.230704428875041
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model based search agents increasingly adopt multi-agent architectures in which a main agent decomposes a complex question into sub-queries and dispatches them to parallel sub-agents. However, existing systems instantiate all roles from a single model of identical scale, leaving open how model capacity should be distributed across roles. We factorize hierarchical search into three roles: a delegation role responsible for task decomposition, an execution role responsible for retrieval and evidence extraction, and an answer generation role held fixed as a confound control. We then conduct controlled capacity sweeps along the delegation and execution axes on five multi-hop QA benchmarks. The experiments yield three findings. First, role factorization consistently outperforms a single-agent baseline, improving exact match from 4.5 to 8.6 points across six model scales. Second, capacity sensitivity is asymmetric: scaling the delegation backbone improves EM by ~11 points, whereas scaling the execution sub-agent moves EM by only ~2.6 points, identifying decomposition as the capability bottleneck. Third, a 1.7B-parameter executor trained via quality-filtered trajectory distillation matches a frontier sub-agent in accuracy while consuming 37% fewer sub-agent tokens, advancing the Pareto frontier. These results suggest a concrete recipe for building hierarchical search agents: concentrate capacity at delegation and downsize execution without sacrificing accuracy. Our code is available at https://github.com/QinnanCai0115/role-factorized-search.
• Abstract（参考訳）: 大規模言語モデルに基づく検索エージェントは、複雑な質問をサブクエリに分解し、それらを並列サブエージェントにディスパッチするマルチエージェントアーキテクチャをますます採用している。 しかし、既存のシステムはすべてのロールを同一のスケールの単一モデルからインスタンス化し、モデルキャパシティをロール間で分散する方法をオープンにしておく。 階層探索を3つの役割に分類する: タスク分解に責任を持つ代表役, 検索とエビデンス抽出に責任を持つ実行役, 共起制御として固定された回答生成役。 次に、5つのマルチホップQAベンチマークでデリゲートと実行軸に沿って制御されたキャパシティスイープを実行する。 実験は3つの結果を得た。 第一に、ロールファクター化はシングルエージェントのベースラインを一貫して上回り、6つのモデルスケールで4.5から8.6ポイントまで正確なマッチングを改善している。 第2に、キャパシティ感度は非対称であり、デリゲートバックボーンのスケーリングはEMを約11ポイント改善する一方、実行サブエージェントのスケーリングはEMをわずか2.6ポイント向上させ、分解をキャパシティボトルネックとして認識する。 第3に、品質フィルターによるトラジェクトリー蒸留で訓練された1.7Bパラメーターエグゼキューターは、フロンティアのサブエージェントと精度良く一致し、37%のサブエージェントトークンを消費し、パレートのフロンティアを前進させた。 これらの結果から,階層型検索エージェントを構築するための具体的なレシピが示唆された。 私たちのコードはhttps://github.com/QinnanCai0115/role-factorized-searchで公開しています。

関連論文リスト

• OrgAgent: Organize Your Multi-Agent System like a Company [75.47076168155817]
  企業スタイルの階層型マルチエージェントフレームワークであるOrgAgentを紹介します。 企業スタイルの階層で組織されたマルチエージェントシステムは、一般的に他の組織構造よりも優れています。
  論文  参考訳（メタデータ） (2026-04-01T15:21:14Z)
• 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)
• MoRAgent: Parameter Efficient Agent Tuning with Mixture-of-Roles [25.198556596878362]
  本稿では,エージェントタスクにおけるパラメータ効率細調整(PEFT)の3つの重要な戦略を紹介する。 より支配的なReason+Actionパラダイムに着想を得て、エージェントタスクに必要な機能を3つの異なる役割に分解する。 そこで我々は3つのLoRAグループからなるMixture-of-Roles(Mixture-of-Roles)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-25T15:02:07Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Multi-Agent Deep Research: Training Multi-Agent Systems with M-GRPO [24.532870400949424]
  現在の訓練方法は、システム内のすべてのエージェントに対して統一された大きな言語モデルを訓練する。 これにより、異なるエージェントの基本的な分布が異なるため、パフォーマンスが制限される可能性がある。 垂直多エージェントシステムに対するグループ相対ポリシー最適化の階層的拡張であるM-GRPOを提案する。
  論文  参考訳（メタデータ） (2025-11-17T12:06:30Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• CodeAgents: A Token-Efficient Framework for Codified Multi-Agent Reasoning in LLMs [16.234259194402163]
  マルチエージェント推論を符号化し、マルチエージェントシステムにおける構造化されたトークン効率の計画を可能にするプロンプトフレームワークであるCodeAgentsを紹介する。 その結果, 計画性能は一貫した改善がみられ, 基本となる自然言語よりも3～36ポイントの絶対的な向上が見られた。
  論文  参考訳（メタデータ） (2025-07-04T02:20:19Z)
• AgentSwift: Efficient LLM Agent Design via Value-guided Hierarchical Search [58.98450205734779]
  大規模言語モデル(LLM)エージェントは、多様なドメインにまたがる強力な機能を示している。 既存のエージェントサーチ手法には3つの大きな制限がある。 これらの課題に対処するための包括的なフレームワークを導入します。
  論文  参考訳（メタデータ） (2025-06-06T12:07:23Z)
• FlowReasoner: Reinforcing Query-Level Meta-Agents [63.602173107171076]
  本稿では,クエリレベルのマルチエージェントシステムの設計を自動化するために,FlowReasonerというクエリレベルのメタエージェントを提案する。 私たちの中核的な考え方は、外部の実行フィードバックを通じて推論ベースのメタエージェントをインセンティブ化することです。
  論文  参考訳（メタデータ） (2025-04-21T17:35:42Z)

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。