論文の概要: SwarmBench: Can Large Language Models Act as Agent Swarm Orchestrators?

• arxiv url: http://arxiv.org/abs/2608.30661v1
• Date: Mon, 31 Aug 2026 12:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.381436
• Title: SwarmBench: Can Large Language Models Act as Agent Swarm Orchestrators?
• Title（参考訳）: SwarmBench: 大規模言語モデルはエージェントSwarmオーケストレータとして機能するのか?
• Abstract要約: 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、固定された相互作用トポロジから動的に編成されたエージェント・スワムへと進化している。 精度,効率,コスト,プロセス品質など,複数の観点からモデル性能を評価するベンチマークであるSwarmBenchを提案する。 さらに,経験抽出と経験再生に基づくシンプルで効果的なSwarmExpを提案する。
• 参考スコア（独自算出の注目度）: 22.270296622181686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model-based multi-agent systems are evolving from fixed interaction topologies toward dynamically orchestrated Agent Swarms. However, existing benchmarks are still largely based on single-agent or general-purpose agent tasks, making it difficult to systematically evaluate key orchestration capabilities. We propose SwarmBench, a benchmark that evaluates model performance from multiple perspectives, including accuracy, efficiency, cost, and process quality. Experimental results show that current models exhibit substantial differences in orchestration capability. These differences are reflected not only in final accuracy, efficiency, and cost, but also in the overall quality of the orchestration process itself. Based on these findings, we further propose SwarmExp, a simple yet effective method based on experience extraction and experience replay, which consistently improves the orchestration performance of large language models.
• Abstract（参考訳）: 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、固定された相互作用トポロジから動的に編成されたエージェント・スワムへと進化している。 しかし、既存のベンチマークは依然として、主に単一エージェントまたは汎用エージェントタスクに基づいており、主要なオーケストレーション機能を体系的に評価することは困難である。 精度,効率,コスト,プロセス品質など,複数の観点からモデル性能を評価するベンチマークであるSwarmBenchを提案する。 実験結果から、現在のモデルでは、オーケストレーション能力にかなりの違いがあることが示されている。 これらの違いは最終的な正確性、効率、コストだけでなく、オーケストレーションプロセス自体の全体的な品質にも反映されます。 これらの知見に基づいて,経験抽出と経験再生に基づくシンプルで効果的なSwarmExpを提案する。

関連論文リスト

• Reward Modeling for Multi-Agent Orchestration [43.79233309038303]
  LLM(Large Language Models)上に構築されたマルチエージェントシステム(MAS)は、特殊エージェントを協調するための効果的なオーケストレーションを必要とする。 人間のアノテーションを使わずにオーケストレーション品質を評価するための自己組織化フレームワークOrchRMを提案する。
  論文  参考訳（メタデータ） (2026-06-11T17:16:24Z)
• Training LLMs for Multi-Step Tool Orchestration with Constrained Data Synthesis and Graduated Rewards [76.49428173793386]
  LLMは、中間出力を伝搬しながら、正しい順序で複数の依存APIを呼び出す必要がある。 既存の環境は、シミュレーションデータを使った単純なターン毎の関数呼び出しとバイナリ報酬に重点を置いている。 まず、実APIレスポンスの大規模キャッシュを背景とした強化学習環境を構築し、有効なマルチステップオーケストレーショントレースをサンプリングするデータ合成パイプラインを実現する。 第二に、正当性を原子の妥当性とオーケストレーションに分解する、段階的な報酬設計を提案する。
  論文  参考訳（メタデータ） (2026-03-25T18:31:39Z)
• Team of Thoughts: Efficient Test-time Scaling of Agentic Systems through Orchestrated Tool Calling [11.13437934037871]
  オーケストレータ・ツール・パラダイムによる異種エージェントの補完機能を活用した,新しいマルチエージェントシステム(MAS)であるTeam-of-Thoughtsを紹介する。 本フレームワークでは,(1)コーディネート能力の優れたモデルを特定するオーケストレータキャリブレーション方式,(2)自己評価プロトコルという,パフォーマンスを最適化する2つの重要なメカニズムを導入している。 5つの推論とコード生成ベンチマークの実験は、Team-of-Thoughtsが一貫して優れたタスクパフォーマンスを提供することを示している。
  論文  参考訳（メタデータ） (2026-02-18T14:19:01Z)
• UniT: Unified Multimodal Chain-of-Thought Test-time Scaling [85.590774707406]
  統一モデルは単一のアーキテクチャ内でマルチモーダル理解と生成の両方を扱うことができるが、通常は出力を反復的に書き換えることなく単一のパスで操作する。 マルチモーダルなテストタイムスケーリングのためのフレームワークであるUniTを導入し、単一の統一モデルで複数のラウンドをまたいだ推論、検証、精査を可能にします。
  論文  参考訳（メタデータ） (2026-02-12T18:59:49Z)
• Self-evolved Imitation Learning in Simulated World [16.459715139048367]
  自己進化的模倣学習(Self-Evolved Imitation Learning、SEIL)は、シミュレーターインタラクションを通じて数ショットモデルを改善するフレームワークである。 SEILは、数ショットの模倣学習シナリオにおいて、最先端のパフォーマンスを新たに達成する。
  論文  参考訳（メタデータ） (2025-09-23T18:15:32Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• Neural Orchestration for Multi-Agent Systems: A Deep Learning Framework for Optimal Agent Selection in Multi-Domain Task Environments [0.4640835690336653]
  マルチドメインタスク環境における最適なエージェント選択のためのニューラルネットワークフレームワークであるMetaOrchを提案する。 ファジィ評価モジュールは、完全性、妥当性、信頼度に沿ってエージェント応答をスコアし、オーケストレータを訓練するためのソフトインスペクタラベルを生成する。 異種剤を用いた模擬環境実験により, 提案手法が86.3%の選択精度を達成できた。
  論文  参考訳（メタデータ） (2025-05-03T02:58:25Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Multi-Agent Sampling: Scaling Inference Compute for Data Synthesis with Tree Search-Based Agentic Collaboration [81.45763823762682]
  本研究の目的は,マルチエージェントサンプリングによるデータ合成の問題を調べることでギャップを埋めることである。 逐次サンプリングプロセス中にワークフローが反復的に進化する木探索に基づくオーケストレーションエージェント(TOA)を紹介する。 アライメント、機械翻訳、数学的推論に関する実験は、マルチエージェントサンプリングが推論計算スケールとしてシングルエージェントサンプリングを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-12-22T15:16:44Z)
• Benchmark Self-Evolving: A Multi-Agent Framework for Dynamic LLM Evaluation [51.99752147380505]
  本稿では,大規模言語モデル(LLM)を動的に評価するベンチマーク自己進化フレームワークを提案する。 マルチエージェントシステムを用いて、元のインスタンスのコンテキストや質問を操作し、信頼性の高い新しいインスタンスをフレーミングする。 我々のフレームワークは、異なるモデル間の性能の相違を拡大し、様々なタスクで同じモデル内で性能の相違を拡大します。
  論文  参考訳（メタデータ） (2024-02-18T03:40:06Z)
• SimOAP: Improve Coherence and Consistency in Persona-based Dialogue Generation via Over-sampling and Post-evaluation [54.66399120084227]
  大規模コーパスで訓練された言語モデルは、オープンドメイン対話において驚くほど流動的な結果を生み出すことができる。 ペルソナに基づく対話生成タスクでは、一貫性と一貫性が言語モデルにとって大きな課題である。 オーバーサンプリングとポスト評価という2段階のSimOAP戦略が提案されている。
  論文  参考訳（メタデータ） (2023-05-18T17:23:00Z)

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。