論文の概要: ARCANA: A Reflective Multi-Agent Program Synthesis Framework for ARC-AGI-2 Reasoning
- arxiv url: http://arxiv.org/abs/2607.09059v1
- Date: Fri, 10 Jul 2026 03:03:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.769461
- Title: ARCANA: A Reflective Multi-Agent Program Synthesis Framework for ARC-AGI-2 Reasoning
- Title（参考訳）: ARCANA:ARC-AGI-2推論のための反射型マルチエージェントプログラム合成フレームワーク
- Authors: Kunbo Zhang, Lei Fu, Zeyu Wang, Zijing Liu, Kejian Tong,
- Abstract要約: ARCANAは各タスクを反復的知覚、仮説生成、象徴的実行、反射的洗練に分解する。
この設計は、構造化されたプログラム探索と適応的な多重ターン補正を組み合わせることで、推論効率と解の質を向上させる。
- 参考スコア（独自算出の注目度）: 15.386892174588368
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present ARCANA, a collaborative multi agent framework for solving ARC AGI 2 tasks under strict test time and hardware constraints. ARCANA decomposes each task into iterative perception, hypothesis generation, symbolic execution, and reflective refinement. A perceptual grounding agent builds object centric scene graphs from raw grids, a latent program policy proposes diverse DSL programs, a symbolic executor verifies candidates on demonstrations, and a reflective agent synthesizes failure driven feedback for the next turn. These agents communicate through a shared differentiable blackboard and are scheduled by a learned meta controller. The design combines structured program search with adaptive multi turn correction, improving reasoning efficiency and solution quality on challenging abstract transformation tasks.
- Abstract（参考訳）: 本稿では,ARC AGI 2タスクを厳密なテスト時間とハードウェア制約下で解くための協調型マルチエージェントフレームワークARCANAを提案する。
ARCANAは各タスクを反復的知覚、仮説生成、象徴的実行、反射的洗練に分解する。
知覚的接地エージェントは、生のグリッドからオブジェクト中心のシーングラフを構築し、潜在プログラムポリシーは多様なDSLプログラムを提案し、シンボリックエグゼキュータはデモの候補を検証し、反射エージェントは次のターンで障害駆動フィードバックを合成する。
これらのエージェントは、共有可能な識別可能なブラックボードを介して通信し、学習されたメタコントローラによってスケジュールされる。
この設計は、構造化されたプログラム探索と適応的な多重ターン補正を組み合わせることで、難解な抽象変換タスクにおける推論効率と解品質を改善する。
関連論文リスト
- DeliCIR: Deliberative Test-Time Evolutionary Hierarchical Multi-Agents for Composed Image Retrieval [30.843984141042828]
Composed Image Retrieval (CIR)は、参照画像の視覚的連続性を保存することと、修正テキストで指定されたセマンティック変数を忠実に実行することの両方を必要とする。
本稿では,体験自己進化とテスト時間スケーリング法(TTS)を初めてCIRに導入した,ワンストップ階層型パーセプション・ツー・ディリベレーションフレームワーク(PDF)を提案する。
本研究では、経験駆動型自己進化とTSは、ゼロショットの微細なマルチメディア検索を実現するための、非常に有望でスケーラブルな経路であることを示す。
論文 参考訳（メタデータ） (2026-05-21T13:36:38Z) - Co-evolving Agent Architectures and Interpretable Reasoning for Automated Optimization [6.428928591765431]
大規模言語モデル(LLM)を用いた操作研究は、手作業による推論によって制限されている。
自動最適化のための共進化的フレームワークであるEvoOR-Agentを提案する。
ケーススタディとアブレーション分析は、明示的なアーキテクチャ進化とグラフによる推論-軌道探索が、性能改善と構造的解釈可能性の両方に寄与していることを示している。
論文 参考訳（メタデータ） (2026-04-20T01:44:18Z) - Small Model as Master Orchestrator: Learning Unified Agent-Tool Orchestration with Parallel Subtask Decomposition [61.291733522717415]
Agent-as-Toolは並列オーケストレーションのパラダイムであり、エージェントとツールの両方を標準化された学習可能なアクション空間に緩和する。
ParaManagerは、サブタスク解決から計画決定を分離し、ステート対応の並列サブタスク分解、デリゲート、非同期実行を可能にする。
実験により、ParaManagerは複数のベンチマークで高い性能を示し、目に見えないモデルプールの下で堅牢な一般化を示す。
論文 参考訳（メタデータ） (2026-04-18T14:41:27Z) - ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - Integrating Diverse Assignment Strategies into DETRs [61.61489761918158]
ラベル割り当ては、特にDETRスタイルのフレームワークにおいて、オブジェクト検出器において重要なコンポーネントである。
我々は,任意のDETR型検出器に多様な割り当て戦略をシームレスに統合する,フレキシブルで軽量なフレームワークであるLoRA-DETRを提案する。
論文 参考訳（メタデータ） (2026-01-14T07:28:54Z) - Project Synapse: A Hierarchical Multi-Agent Framework with Hybrid Memory for Autonomous Resolution of Last-Mile Delivery Disruptions [0.0]
Project Synapseは、ラストマイル配送障害の自律的解決のために設計された新しいエージェントフレームワークである。
システムは、複雑で循環的なディスラプションシナリオを管理するためにLangGraphを使用して編成される。
論文 参考訳（メタデータ） (2026-01-13T02:38:27Z) - AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。
エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
論文 参考訳（メタデータ） (2025-10-06T23:20:49Z) - MA-RAG: Multi-Agent Retrieval-Augmented Generation via Collaborative Chain-of-Thought Reasoning [36.3918410061572]
MA-RAGは、複雑な情報探索タスクにおける固有の曖昧さと推論の問題に対処する。
エンドツーエンドの微調整や分離されたコンポーネント拡張に依存する従来のRAGメソッドとは異なり、MA-RAGは特別なAIエージェントの協調的なセットを編成する。
本結果は,検索強化システムにおける協調的,モジュール型推論の有効性を浮き彫りにしたものである。
論文 参考訳（メタデータ） (2025-05-26T15:05:18Z) - Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。
本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。
大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
論文 参考訳（メタデータ） (2024-10-03T04:07:51Z) - Textualized Agent-Style Reasoning for Complex Tasks by Multiple Round LLM Generation [49.27250832754313]
我々は、llmベースの自律エージェントフレームワークであるAgentCOTを紹介する。
それぞれのステップで、AgentCOTはアクションを選択し、それを実行して、証拠を裏付ける中間結果を得る。
エージェントCOTの性能を高めるための2つの新しい戦略を導入する。
論文 参考訳（メタデータ） (2024-09-19T02:20:06Z)
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。