論文の概要: Testing Interchangeability in LLM Agent Teams

• arxiv url: http://arxiv.org/abs/2609.05279v1
• Date: Fri, 04 Sep 2026 15:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.105675
• Title: Testing Interchangeability in LLM Agent Teams
• Title（参考訳）: LLMエージェントチームにおけるインターチェンジ可能性のテスト
• Abstract要約: 我々は、その役割を果たすエージェントが、その仕事をできる他のエージェントと交換可能であるという仮定をテストする。 Collab-Overcookedでは、アジェンダを設定するエージェントが置き換えられると、余分な通信のほとんどは、滞在するエージェントから来る。 これらの設定では、エージェントはコーディネーション効率よりもタスク結果において、より長い形成履歴の後より大きなスワップ効果を持つ。
• 参考スコア（独自算出の注目度）: 13.445959137023918
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Production multi-agent systems replace agents constantly, on the assumption that an agent filling a role is interchangeable with any other agent that can do the job. We test that assumption. Eight teams per setting are formed independently from one base model on the same tasks, each agent keeping a private notebook across ten formation episodes; we then trade role-matched agents between teams and measure what changes on held-out tasks. Against a placebo that reproduces the disruption of a roster change without changing who occupies the seat, a swap costs little in task score but raises the communication a team spends per unit of progress by 16 to 63 percent, and in Hanabi a swapped agent is more expensive than an inexperienced one, consistent with interference from conventions learned with its former partner. In Collab-Overcooked, when the agent that sets the agenda is replaced, most of the extra communication comes from the agent that stayed. Three ablations, over base models, decoding temperature and formation length, move the swap penalty alongside one other quantity: how far independently formed teams drift apart. Greedy decoding lowers both; doubling a team's history raises both. In these settings, agents are more fungible in task outcome than in coordination efficiency, with larger swap effects after longer formation histories.
• Abstract（参考訳）: 生産マルチエージェントシステムは、役割を果たすエージェントが、その仕事をできる他のエージェントと交換可能であるという前提で、エージェントを常に置き換える。 私たちはその仮定を試す。 同じタスク上の1つのベースモデルとは独立して8つのチームが形成され、各エージェントは10つの構成エピソードにわたってプライベートノートを保持します。 座席に誰が乗っているかを変えることなく、ロースターチェンジの中断を再現するプラシーボに対して、スワップはタスクスコアにはほとんど費用がかからないが、進捗単位当たりの通信を16～63%増加させ、ハナビでは、スワップされたエージェントは経験の浅いエージェントよりも高価で、旧パートナーから学んだ慣例からの干渉と一致している。 Collab-Overcookedでは、アジェンダを設定するエージェントが置き換えられると、余分な通信のほとんどは、滞在するエージェントから来る。 ベースモデル、デコード温度と形成期間の3つの改善は、スワップペナルティを他の2つの量とともに移動させます。 グレディ・デコーディングは両方を減らし、チームの履歴を2倍にする。 これらの設定では、エージェントはコーディネーション効率よりもタスク結果において、より長い形成履歴の後より大きなスワップ効果を持つ。

関連論文リスト

• When Agents Coordinate: Measuring Coordination in Multi-Agent AI Coding [5.434361299116438]
  我々は、AIコーディングエージェントのチームがプログラミングタスクを解きながらどのように協調するかを研究する。 現在の評価は通常、エージェントがタスクを完了し、実行コストを報告します。 私たちはこの調整を測る道具を紹介します。 各実行は、エージェントとファイルがノードである時間的ネットワークとして表現され、メッセージ、ファイル書き込み、ファイル読み込みは、関連するコストでタイムスタンプされた指向エッジである。
  論文  参考訳（メタデータ） (2026-08-17T16:57:38Z)
• You Only Align Once: Propagating Cooperative Behaviors in Multi-Agent Systems through Seed Agents [16.2791635094953]
  一つのエージェントが、自然言語の相互作用を通じて、訓練されていないエージェントに協調的な振る舞いを伝達できることが示される。 我々は、チームベースの反復刑務所ジレンマであるレッドブラックゲーム(Red-Black Game)でこれを研究し、チームメイトが故意に投票してチームの集団行動を決定する。
  論文  参考訳（メタデータ） (2026-05-26T18:56:02Z)
• AgentFugue: Agent Scaling for Long-Horizon Tasks through Collective Reasoning [57.72181998599248]
  AgentFugueは、共通の推論ハブを中心に構築された、集合的推論フレームワークである。 ピアエージェントが同じタスクを並列に探索する際、ハブは各エージェントが何を確立、試み、あるいは除外したかを簡潔に記録する。 この結果から,集団推論によってピアエージェントシステムのスケールアウトが実現可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-23T09:21:51Z)
• EVOCHAMBER: Test-Time Co-evolution of Multi-Agent System at Individual, Team, and Population Scales [27.568287645700064]
  シングルエージェント学習者は、自身のコンテキストと記憶だけを進化させることができる。 マルチエージェントシステムはさらに、誰が協力するか、どのように協力するか、どのように知識が集団に流れていくのかを進化させる。 EVOCHAMBERは,共進化エージェントプール上の3つのレベルでテスト時間進化をインスタンス化する,トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T18:42:33Z)
• Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
  大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。 本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
  論文  参考訳（メタデータ） (2026-05-07T14:19:17Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Decentralized scheduling through an adaptive, trading-based multi-agent system [1.7403133838762448]
  多エージェント強化学習システムでは、あるエージェントの動作が他のエージェントの報酬に悪影響を及ぼす可能性がある。 この作業は、エージェントが入ってくるジョブをコアに割り当てる責任を負うシミュレーションスケジューリング環境に、トレーディングアプローチを適用します。 エージェントは計算コアの使用権を交換して、低優先度で低報酬のジョブよりも高速に、高利益のジョブを処理できる。
  論文  参考訳（メタデータ） (2022-07-05T13:50:18Z)
• Learning to Transfer Role Assignment Across Team Sizes [48.43860606706273]
  チーム規模で役割の割り当てと移譲を学ぶためのフレームワークを提案する。 ロールベースの信用割当構造を再利用することで、より大きな強化学習チームの学習プロセスが促進されることを示す。
  論文  参考訳（メタデータ） (2022-04-17T11:22:01Z)
• Multi-Agent Collaboration via Reward Attribution Decomposition [75.36911959491228]
  本稿では,StarCraftのマルチエージェントチャレンジにおいて,最先端のパフォーマンスを実現するコラボレーション型Q-ラーニング(CollaQ)を提案する。 CollaQは様々なStarCraft属性マップで評価され、既存の最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-16T17:42:11Z)
• On Emergent Communication in Competitive Multi-Agent Teams [116.95067289206919]
  外部のエージェントチームによるパフォーマンスの競争が社会的影響として作用するかどうかを検討する。 以上の結果から,外部競争の影響により精度と一般化が向上し,コミュニケーション言語が急速に出現することが示唆された。
  論文  参考訳（メタデータ） (2020-03-04T01:14:27Z)

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。