論文の概要: SKIMIX: Multi-Agent Harness-Time Scaling with Skill Mixture for Dynamic Harness Engineering
- arxiv url: http://arxiv.org/abs/2607.27994v1
- Date: Thu, 30 Jul 2026 10:40:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.514311
- Title: SKIMIX: Multi-Agent Harness-Time Scaling with Skill Mixture for Dynamic Harness Engineering
- Title（参考訳）: SKIMIX:動的ハーネスエンジニアリングのためのスキルミックスによるマルチエージェントハーネス時間スケーリング
- Authors: Jia Luo,
- Abstract要約: SKIMIXは、異なるスキルポートフォリオを持つエージェントが反復的な改善を通じて協力するマルチエージェントフレームワークである。
6つの推論ベンチマークで、マルチエージェントのコラボレーションは、オープンな数学的推論を大幅に改善するが、多重選択タスクでは限定的または負の利得を提供する。
これらの結果から,タスク特性は,スキルレベルのアンサンブルが有効かどうかを判断し,拡張性のあるエージェント設計のための実践的なガイダンスを提供する。
- 参考スコア（独自算出の注目度）: 2.160835522257474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI agents increasingly rely on large skill libraries, but selecting, combining, and maintaining skills remains difficult. We propose SKIMIX, a multi-agent framework in which agents with different skill portfolios collaborate through iterative refinement. SKIMIX combines embedding-based skill retrieval, submodular anti-dilution routing, and adaptive skill evolution. Across six reasoning benchmarks, multi-agent collaboration substantially improves open-ended mathematical reasoning but offers limited or negative gains on multiple-choice tasks. Agent-count scaling is non-monotonic, and most improvements arise during the first refinement round. These results show that task characteristics determine whether skill-level ensembles help and provide practical guidance for scalable agent design.
- Abstract（参考訳）: AIエージェントはますます大きなスキルライブラリに依存しているが、スキルの選択、組み合わせ、維持は難しいままである。
SKIMIXは、異なるスキルポートフォリオを持つエージェントが反復的な改善を通じて協調するマルチエージェントフレームワークである。
SKIMIXは、埋め込みベースのスキル検索、サブモジュールのアンチ希釈ルーティング、適応的なスキル進化を組み合わせる。
6つの推論ベンチマークで、マルチエージェントのコラボレーションは、オープンな数学的推論を大幅に改善するが、多重選択タスクでは限定的または負の利得を提供する。
エージェントカウントのスケーリングはモノトニックではなく、最初のリファインメントラウンドでほとんどの改善が生じる。
これらの結果から,タスク特性は,スキルレベルのアンサンブルが有効かどうかを判断し,拡張性のあるエージェント設計のための実践的なガイダンスを提供する。
関連論文リスト
- Swarm Skills: A Portable, Self-Evolving Multi-Agent System Specification for Coordination Engineering [50.72456732323037]
textbfSwarm Skillsは、マルチエージェントのセマンティクスを用いて、Arthhropic Skills標準を拡張したポータブル仕様である。
Swarm Skillsはマルチエージェントを、役割、実行バウンダリ、自己進化のためのビルトインセマンティック構造からなる、一級の分散可能なアセットに変える。
我々は,Swarm Skillsがプログレッシブ開示を通じて,ゼロアダプタのクロスエージェントポータビリティを実現する方法を示す。
論文 参考訳（メタデータ） (2026-05-11T06:26:58Z) - EvoSkills: Self-Evolving Agent Skills via Co-Evolutionary Verification [85.3692584167951]
Anthropicは、LLMエージェントが多段階のプロフェッショナルタスクに取り組むためのスキルの概念を提案する。
ツールは単一の自己完結型関数であり、スキルは相互依存型多ファイルアーティファクトの構造化バンドルである。
EvoSkillsは、エージェントが複雑なマルチファイルスキルパッケージを自律的に構築できる自己進化型スキルフレームワークである。
論文 参考訳（メタデータ） (2026-04-02T06:43:20Z) - Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning [68.85408801740228]
協調型マルチエージェント強化学習問題としてトポロジ選択を再構成する強化学習フレームワークである textbfAgent Q-Mix を提案する。
提案手法は,Qmix値分解を用いて分散化された通信決定を学習し,各エージェントがラウンドワイド通信グラフを共同生成する一連の通信行動から選択する。
エージェントQ-Mixは,エージェント故障に対して優れたトークン効率とロバスト性を示しながら,既存手法と比較して高い平均精度を達成する。
論文 参考訳（メタデータ） (2026-04-01T00:38:24Z) - Symbolic Mixture-of-Experts: Adaptive Skill-based Routing for Heterogeneous Reasoning [76.10639521319382]
シンボリックなテキストベースでグラデーションのないMixture-of-ExpertsフレームワークであるSybolic-MoEを提案する。
GPT4o-miniのような強力なLCMやマルチエージェントアプローチに勝るSymbolic-MoEは、最高のマルチエージェントベースラインよりも8.15%向上している。
論文 参考訳（メタデータ） (2025-03-07T18:03:13Z) - Cooperation and Competition: Flocking with Evolutionary Multi-Agent
Reinforcement Learning [0.0]
本稿では, フラッキングタスクにおける進化的マルチエージェント強化学習(EMARL)を提案する。
EMARLは、協力と競争を、ほとんど事前知識と組み合わせている。
EMARLは完全競争法や協調法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-10T15:35:20Z) - Hyperparameter Tricks in Multi-Agent Reinforcement Learning: An
Empirical Study [5.811502603310249]
我々は,最先端の協調型多エージェント深層強化学習アルゴリズムについて検討・比較を行った。
QMIXは、StarCraft Multi-Agent Challenge (SMAC)のすべてのハードおよび超ハードシナリオにおいて、異常に高い勝利率を達成することができ、最先端(SOTA)を達成することができる。
論文 参考訳（メタデータ） (2021-02-06T02:28:09Z)
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。