論文の概要: The Collaboration Tax: How Much LLM Multi-Agent Systems Pay to Coordinate
- arxiv url: http://arxiv.org/abs/2608.22152v1
- Date: Sun, 23 Aug 2026 00:47:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.638021
- Title: The Collaboration Tax: How Much LLM Multi-Agent Systems Pay to Coordinate
- Title（参考訳）: 協調税:LLMマルチエージェントシステムはどれだけの費用を支払うか
- Abstract要約: 個人情報を備えた2人組協調ゲームにおいて,チーム分散化損失として協調税を定式化する。
我々はこの定義を、接地摩擦の源泉によってグループ化された32個の単独抽出可能なタスクで運用し、7つのプロバイダから11個のモデルで測定する。
- 参考スコア（独自算出の注目度）: 17.904755511467066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-agent systems built from large language models are deployed widely, yet how much performance is lost when two LLMs must coordinate rather than act alone remains unclear. We formulate the collaboration tax as the team-decentralisation loss of a two-player cooperative game with private information, with two propositions characterising its sign and its equivalence to a max-superadditivity violation. We operationalise this definition on 32 solo-tractable tasks grouped by source of grounding friction and measure it on 11 models from 7 providers. The tax is structured along two no-exception axes: a category ordering across every model and a monotonic decrease with capability. The proximate mechanism is not a reasoning deficit but a four-stage conversational cascade in which agents make ungrounded claims, fail to query the partner, skip integrating both views, and accept the answer without re-derivation. The tax is mechanically predictable from conversation features and partly tractable: a prompt intervention targeting all four stages closes a substantial fraction of the gap, with the dominant bottleneck differing across categories. In heterogeneous pairs the tax is pulled toward the stronger partner rather than the additive midpoint, empirically realising the max-superadditivity violation predicted by our framework. Together these results recast collaboration in LLM systems as a measurable, predictable, and partly tractable cost.
- Abstract（参考訳）: 大規模言語モデルから構築されたマルチエージェントシステムは広く展開されているが、2つのLLMが単独で動作するのではなく、協調しなければならない場合、どの程度の性能が失われるかは定かではない。
我々は,2人のプレイヤーによる協調ゲームとプライベート情報とのチーム分散化損失として協調税を定式化し,そのサインと最大付加価値違反に対する等価性を特徴付ける2つの提案を行った。
我々はこの定義を、接地摩擦の源泉によってグループ化された32個の単独抽出可能なタスクで運用し、7つのプロバイダから11個のモデルで測定する。
税は2つの非例外軸に沿って構成されており、全てのモデルに順応するカテゴリーと能力による単調な減少である。
プロキシのメカニズムは推論の欠陥ではなく、4段階の会話のカスケードで、エージェントが未解決の主張をし、パートナーに問い合わせをせず、両方のビューの統合をスキップし、再導出なしに回答を受け入れる。
この税は、会話の特徴から機械的に予測可能であり、部分的には引くことができる:4段階すべてをターゲットにした迅速な介入はギャップのかなりの一部を閉じるが、その主なボトルネックはカテゴリーによって異なる。
不均質なペアでは、この税は付加的な中間点よりも強いパートナーに向かって引かれ、我々の枠組みによって予測される最大超加法的違反を実証的に実現している。
これらの結果は、LLMシステムにおけるコラボレーションを、測定可能で予測可能で、部分的にトラクタブルなコストとして再放送する。
関連論文リスト
- Dynamic Coalition Formation and Communication Pricing in Skill-Based Agentic AI Systems [0.0]
タスク条件付きネットユーティリティ$U(Cmid x)=V(Cmid x)-sum_iin Cc_i$との協調ゲームとしてエージェントの選択と通信をモデル化する。
本稿では,限界値のアクティベーションルールとgreedyルータを提案し,そのモデルを拡張してエッジ毎のコストで通信エッジを最適化し,推定したShapley値を用いて,実行前後にどのエージェントが接触する価値があるかを推定する。
論文 参考訳（メタデータ） (2026-07-24T19:25:21Z) - Task-Level AI Readiness Assessment for Business Process Management:The T-IPO Model and LARA Matrix in Financial-Services IT Operations [1.8200820102702586]
金融サービスIT環境で開発された2つのデザインアーティファクトについて述べる。
LLMエージェント準備度評価は、エージェント置換のためのタスクの準備度を評価する。
120タスクインスタンスのパイロットデプロイでは、自動補完はL1で95%ドルからL2で約70%ドルからL3で約40%ドルへと単調に崩壊する。
論文 参考訳（メタデータ） (2026-04-16T10:10:19Z) - More Capable, Less Cooperative? When LLMs Fail At Zero-Cost Collaboration [1.4254497466846006]
我々は、摩擦のない環境下での協調行動について研究し、協力から全ての戦略的複雑さを取り除く。
私たちは、協力の失敗と能力の失敗を分離し、エージェント推論分析を通じてその起源を追跡します。
この結果から,マルチエージェントシステムにおける協調問題の解決は,インテリジェンスのスケーリングだけでは不可能であることが示唆された。
論文 参考訳（メタデータ） (2026-04-09T05:24:27Z) - The Specification Gap: Coordination Failure Under Partial Knowledge in Code Agents [0.0]
2エージェント統合の精度は、詳細が削除されると58%から25%に低下する。
因子的回復実験により、完全な仕様を復元するだけで、単一エージェントの天井が回復することが示された。
このギャップは単に隠された情報の結果ではなく、共有された決定なしに互換性のあるコードを生成することの難しさを反映している。
論文 参考訳（メタデータ） (2026-03-25T13:18:26Z) - Phase Transition for Budgeted Multi-Agent Synergy [41.486076708302456]
マルチエージェントシステムは信頼性を向上させることができるが、固定された推論予算の下では、しばしば役立つか、飽和するか、崩壊するかさえある。
我々は、現代のエージェントスタックの3つの束縛制約からこれらの状態を予測する最小限の校正可能な理論を開発する。
論文 参考訳（メタデータ） (2026-01-24T05:32:50Z) - 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) - Corrupted by Reasoning: Reasoning Language Models Become Free-Riders in Public Goods Games [87.5673042805229]
大規模言語モデルは、アライメント、堅牢性、安全なデプロイメントを保証する上で、いかに自己関心と集合的幸福のバランスをとるかが重要な課題である。
我々は、行動経済学から制度的に選択した公共財ゲームに適応し、異なるLLMがいかに社会的ジレンマをナビゲートするかを観察することができる。
意外なことに、o1シリーズのようなLCMの推論は、協調にかなり苦労している。
論文 参考訳（メタデータ） (2025-06-29T15:02:47Z) - Why Do Multi-Agent LLM Systems Fail? [87.90075668488434]
MAST-Dataは7つの人気のあるMASフレームワークで収集された1600以上の注釈付きトレースの包括的なデータセットである。
我々はMAST(Multi-Agent System Failure Taxonomy)を初めて構築する。
MASTとMAST-Dataを利用して、モデル(GPT4、Claude 3、Qwen2.5、CodeLlama)とタスク(コーディング、数学、汎用エージェント)の障害パターンを分析します。
論文 参考訳（メタデータ） (2025-03-17T19:04:38Z) - When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。
タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
論文 参考訳（メタデータ） (2025-02-21T02:24:43Z) - On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents [58.79302663733703]
大規模言語モデルに基づくマルチエージェントシステムは、専門家エージェントの協力により、様々なタスクにまたがる優れた能力を示している。
不器用なエージェントや悪意のあるエージェントが与える影響 - システム全体のパフォーマンスにおいて、頻繁にタスクでエラーを犯すものは、いまだに過小評価されていない。
本稿では,下流タスクにおける障害要因下での各種システム構造のレジリエンスについて検討する。
論文 参考訳（メタデータ） (2024-08-02T03:25:20Z) - Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。
合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。
我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
論文 参考訳（メタデータ） (2023-09-29T13:33:06Z) - Multi-Agent Neural Rewriter for Vehicle Routing with Limited Disclosure
of Costs [65.23158435596518]
チームのマルコフゲームとして、部分的に観測可能なコストでマルチサイクルルーティング問題を解く。
我々のマルチエージェント強化学習アプローチである、いわゆるマルチエージェントニューラルリライタは、1エージェントニューラルリライタを利用して、反復的に書き換えるソリューションによって問題を解決する。
論文 参考訳（メタデータ） (2022-06-13T09:17:40Z)
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。