論文の概要: SLMs as Multi-Agent Routers: A Progressive SFT and Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/2608.00030v1
- Date: Wed, 15 Jul 2026 11:11:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-09 10:00:34.258142
- Title: SLMs as Multi-Agent Routers: A Progressive SFT and Reinforcement Learning Approach
- Title（参考訳）: マルチエージェントルータとしてのSLM:進歩的SFTと強化学習アプローチ
- Abstract要約: 特殊検索エージェントは一般的に汎用検索よりも高品質な検索結果を呈する。
現在のアプローチでは、推測されたトピックや意図に基づいてクエリをルーティングするが、検索されたコンテンツからのシグナルは含まない。
我々は、教師付き微調整と強化学習により、小さな言語モデルを訓練することで、この問題に対処する。
- 参考スコア（独自算出の注目度）: 35.31208793946578
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Specialised retrieval agents typically surface higher quality results than general-purpose search, but selecting the optimal agent for a given query remains an open problem. Current approaches route queries based on inferred topic or intent, however intent-based selection is fundamentally limited: it does not incorporate signal from retrieved content, and cannot detect when a topically aligned agent produces low-relevance results. We address this by training a small language model via supervised fine-tuning followed by reinforcement learning to jointly perform agent selection and structured parameter generation for downstream tool calls, using a hierarchical reward function grounded in retrieval relevance along with query-agent topic alignment. This enables the model to learn task-dependent agent suitability from retrieval performance: which agents reliably yield high-relevance results for which query distributions, and when to redirect queries away from specialised agents despite surface-level topical overlap. On a targeted subset of such agent-query mismatches, the trained model achieves an NDCG@10 of 0.918 compared to 0.539 and 0.490 for two LLM baselines (Amazon Nova Lite and Claude Haiku 4.5) that route on intent alone. Overall, it achieves a mean NDCG@10 of 0.771 (+0.177 over Nova Lite, +0.219 over Haiku) with a mean selection latency of 120.1ms, an 82.4% reduction over Nova Lite.
- Abstract（参考訳）: 特殊な検索エージェントは一般的に汎用検索よりも高品質な検索結果を呈するが、与えられたクエリに対して最適なエージェントを選択することは未解決の問題である。
提案手法は検索されたコンテンツからの信号を組み込んでおらず、トポロジ的に整列されたエージェントが低関連性のある結果を生成することを検出できない。
教師付き微調整と強化学習により、下流のツールコールに対するエージェント選択と構造化パラメータ生成を協調的に行うことで、検索関連性に基づく階層的な報酬関数とクエリエージェントのトピックアライメントを併用することで、この問題に対処する。
これにより、検索性能からタスク依存エージェントの適合性を学習し、クエリ分布の高関連性を確実に獲得し、サーフェスレベルのトピックオーバーラップにもかかわらず、特別エージェントからクエリをリダイレクトするタイミングを学習することができる。
このようなエージェントクエリミスマッチのターゲットサブセットでは、トレーニングされたモデルは、意図のみをルートする2つのLCMベースライン(Amazon Nova LiteとClaude Haiku 4.5)に対して0.539と0.490に対して0.918のNDCG@10を達成する。
全体として、NDCG@10の平均的なNDCG@10は0.771 (+0.177 over Nova Lite, +0.219 over Haiku)であり、平均的な選択遅延は120.1msであり、82.4%の削減である。
関連論文リスト
- From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。
RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。
我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
論文 参考訳（メタデータ） (2026-08-17T01:40:14Z) - RouteRec: Strict Evaluation of Recommender-Agent Selection and Aggregation [4.548136909830987]
RouteRecは、要求レベルのハードセレクションとアイテムレベルの学習アグリゲーションを比較するフレームワークである。
MovieLens-1Mでは、フルクオリティのオラクルには相当なヘッドルーム(HR@10 = 0.584)がある。
結果として得られる教訓は、ルーティングが解決されるのではなく、アイテムレベルの集約がより有望なアクション空間であるということだ。
論文 参考訳（メタデータ） (2026-07-10T18:58:52Z) - When Should LLMs Search? Counterfactual Supervision for Search Routing [0.04144015562528761]
本研究は,非探索実行に対して,タスク成功を改善するために検索が必要であるかどうかを検討する。
タスク固有の成功に基づいてNO SEARCH,SEARCH,UNSOLVED上のオラクルを構築する。
我々は、教師付き微調整と選好最適化による検索ルーチンポリシーを訓練する。
論文 参考訳（メタデータ） (2026-07-07T02:23:12Z) - AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。
Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。
DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。
AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
論文 参考訳（メタデータ） (2026-03-04T18:47:26Z) - AgentSelect: Benchmark for Narrative Query-to-Agent Recommendation [39.61543921719145]
AgentSelectは、エージェントの選択をナラティブクエリからエージェントへのレコメンデーションとして再設計するベンチマークである。
異種評価アーティファクトを、統一された正のみの相互作用データに変換する。
AgentSelectは、エージェントレコメンデーションのための最初の統一データと評価インフラストラクチャを提供する。
論文 参考訳（メタデータ） (2026-03-04T06:17:51Z) - Learning to Refine: An Agentic RL Approach for Iterative SPARQL Query Construction [0.18907108368038208]
現在のメソッドでは、リアルタイム実行フィードバックに基づいてクエリを動的にデバッグするために必要なアダプティブポリシーが欠如している。
本稿では,LLMが繰り返しSPARQL構築のシーケンシャルなプロセスに対してレジリエントなポリシーを学習する,新しいエージェント・フレームワークを提案する。
結果駆動型強化学習(GRPO)によってのみ訓練されたコンパクトな3B-パラメータモデルが,このタスクの効果的なポリシを学習可能であることを示す。
論文 参考訳（メタデータ） (2025-11-14T08:44:58Z) - Compliance Brain Assistant: Conversational Agentic AI for Assisting Compliance Tasks in Enterprise Environments [2.8724171056550256]
Compliance Brain Assistant (CBA) は、企業環境における人員の日々のコンプライアンスタスクの効率を高めるために設計された、対話型のエージェントAIアシスタントである。
応答品質とレイテンシのバランスを良くするために,FastTrackモードとFullAgenticモードをインテリジェントに選択できるユーザクエリルータを設計する。
論文 参考訳（メタデータ） (2025-07-23T07:51:10Z) - MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。
MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
論文 参考訳（メタデータ） (2024-12-02T19:30:36Z) - Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting [65.00288634420812]
Pairwise Ranking Prompting (PRP)は、大規模言語モデル(LLM)の負担を大幅に軽減する手法である。
本研究は,中等級のオープンソースLCMを用いた標準ベンチマークにおいて,最先端のランク付け性能を達成した文献としては初めてである。
論文 参考訳（メタデータ） (2023-06-30T11:32:25Z) - Reinforcement Learning for Branch-and-Bound Optimisation using
Retrospective Trajectories [72.15369769265398]
機械学習は分岐のための有望なパラダイムとして登場した。
分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。
我々は現在最先端のRL分岐アルゴリズムを3～5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
論文 参考訳（メタデータ） (2022-05-28T06:08:07Z)
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。