論文の概要: Competing at Every Price Point with Agentic Evolution over a Menu of LLMs

• arxiv url: http://arxiv.org/abs/2608.16207v1
• Date: Mon, 17 Aug 2026 07:40:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.57885
• Title: Competing at Every Price Point with Agentic Evolution over a Menu of LLMs
• Title（参考訳）: LLMの1次元上のエージェント進化とあらゆる価格点で競合する
• Abstract要約: 特定のエージェントタスクに対する競争を調査している企業は、競争相手の価格帯ごとに優れた精度を提供しようとしている。 本稿では,LSMのメニュー上でのエージェント的進化を通じて,このような機能を実現するための道筋を示す。
• 参考スコア（独自算出の注目度）: 0.24536025476472378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Consider a firm that surveys its competition for a particular agentic task and seeks to offer superior accuracy at every competitor price point. A firm that Pareto-dominated its competitors would leave no rational customer a reason to buy elsewhere. This paper shows a path to this kind of capability via agentic evolution over a menu of LLMs, from training pools of at most 100 examples. Given a priced menu of nine LLM endpoints; brief documentation of the task, objective, and API; a simple seed agent; and an operator-chosen per-problem cost target - usually set at an incumbent's own price - RoboPhD, an evolutionary meta-agent, evolves complete agent programs that attack the public frontiers of two semantically dissimilar tasks point by point: DS-1000 (execution-checked code generation) and PaperFindingBench (LLM-judged scientific document retrieval). Our officially scored submissions hold every Pareto-frontier slot but one on the two tasks' leaderboards, including Pareto domination of both the top-scoring and the lowest-cost competing points.
• Abstract（参考訳）: 特定のエージェントタスクに対する競争を調査し、競合するすべての価格点で優れた精度を提供しようとしている会社を考えてみてほしい。 パレートがライバルを支配下に置いた会社は、合理的な顧客に他の場所を買う理由を残さないだろう。 本稿では,LLMのメニュー上でのエージェント的進化を通じて,少なくとも100例のトレーニングプールから,このような能力を実現するための道筋を示す。 9つのLDMエンドポイントの価格メニュー、タスク、目的、APIの簡単なドキュメンテーション、単純なシードエージェント、そして、通常、既存の価格で設定される演算子毎のコストターゲット - 進化的メタエージェントであるRoboPhDは、2つの意味的に異なるタスクであるDS-1000(実行チェックコード生成)とPaperFindingBench(LLM-judged scientific document search)のパブリックフロンティアを攻撃する完全なエージェントプログラムを進化させる。 当社が公式に獲得した申請書は、すべてのパレート・フロンティア・スロットを保持するが、2つのタスクのリーダーボードに1つ、トップスコアと最低コストの競合ポイントの両方をパレートが支配している。

関連論文リスト

• When Agents Slow Down: Understanding LLM Agents' Test-Time Strategies via Elo-per-token Analysis [66.34225048563418]
  大規模言語モデル(LLM)エージェントは、ソリューションを修正し、ツールを使用し、代替品を探究し、いつ停止するかを決定する際に、テスト時間計算を適応的に割り当てる。 Elo-per-token分析を提案し,各トークン予算の最適解を追跡する。 我々はこれを4つのオープンエンドベンチマークで4つの汎用エージェントに適用し、最大100万トークンのセッションを行う。
  論文  参考訳（メタデータ） (2026-09-14T09:57:49Z)
• Markets, Not Planners: Decentralized Orchestration of LLM Agents with Private Information [16.55988307561715]
  我々はAgentLanceを導入し、エージェントが個人のコストと自己維持戦略ノートを使ってタスクを入札する労働市場について紹介する。 AgentLanceは、単一モデル、集中型オーケストレーション、市場ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-24T22:15:37Z)
• Training Small LLMs as Spatial Multi-Agent Policies [17.254137262162505]
  空間的協調ゲームでは両スレッドを取り上げ、小さな凍結LDMは低レベル動作で失敗し、報酬はゼロとなる。 我々は,各ゲームに,記号プランナーによって実行される,型付けされた,状態対応可能な,短期水平動作という,象徴的な入力のライブラリを装備する。 各エージェントのLCMはオプションに対するポリシーとして機能し、エージェントごとのLORAアダプタはマルチエージェントGRPOのエージェントごとの変種によって訓練される。
  論文  参考訳（メタデータ） (2026-08-02T18:14:40Z)
• OmegaUse-OfficeVal: Benchmarking LLM Agents on Long-Horizon Office-Suite Tasks with Economic Grounding [32.56636173505796]
  OmegaUse-OfficeValは,大規模言語モデル(LLM)エージェントをオフィススイートタスクで評価するためのベンチマークである。 ベンチマークは、実践者が提案したオフィススーツリクエストから派生した100のタスクで構成され、プライバシ保護プロセスを通じて適用される。 ベンチマークの重要な特徴は、各タスクが2つの経済的シグナル(人的労働時間とタスク価格プロキシ)とペアリングされていることである。
  論文  参考訳（メタデータ） (2026-07-29T17:33:47Z)
• Benchmarking Open-Ended Multi-Agent Coordination in Language Agents [48.1363632826625]
  Alemは、手続き的に生成されたコーディネーションタスク、ソフトな特殊化、コミュニケーション、制御可能なコーディネーションの難しさを、長い水平サバイバルの世界に埋め込む。 Craftaxライクなダイナミックス上に構築されたオープンなマルチエージェント協調のためのJAXベースのベンチマークである$alem$を紹介します。
  論文  参考訳（メタデータ） (2026-06-06T21:13:43Z)
• MultiAgentBench: Evaluating the Collaboration and Competition of LLM agents [59.825725526176655]
  大規模言語モデル(LLM)は、自律的なエージェントとして顕著な能力を示している。 既存のベンチマークでは、単一エージェントタスクにフォーカスするか、狭いドメインに限定されており、マルチエージェントのコーディネーションと競合のダイナミクスを捉えていない。 多様な対話シナリオにまたがってLLMベースのマルチエージェントシステムを評価するためのベンチマークであるMultiAgentBenchを紹介する。
  論文  参考訳（メタデータ） (2025-03-03T05:18:50Z)
• 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)
• Planning with Multi-Constraints via Collaborative Language Agents [13.550774629515843]
  本稿では,協調型マルチエージェントシステムのためのゼロショット手法であるPMC(Planning with Multi-Constraints)を紹介する。 PMCは、制約で複雑なタスク計画を簡単にし、従属タスクの階層に分解する。 PMCはTravelPlannerで平均42.68%の成功率を記録し、GPT-4 (2.92%) をはるかに上回り、API-BankでReActを13.64%上回った。
  論文  参考訳（メタデータ） (2024-05-26T10:33:17Z)
• A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
  本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。 具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。 我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-03T16:05:48Z)
• A Cordial Sync: Going Beyond Marginal Policies for Multi-Agent Embodied Tasks [111.34055449929487]
  エージェントが協力して家具をリビングルームに移動させるという,新しいタスクFurnMoveを紹介した。 既存のタスクとは異なり、FurnMoveはエージェントが各タイミングで調整する必要がある。 既存の分散化されたアクションサンプリング手順は、表現力のある共同アクションポリシーを許さない。 SynC-policiesとCORDIALを用いて、我々のエージェントはFurnMoveで58%の完成率を達成する。
  論文  参考訳（メタデータ） (2020-07-09T17:59:57Z)

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。