論文の概要: When AI Agents Meet MEV: Cross-Chain Arbitrage in the Agentic Economy
- arxiv url: http://arxiv.org/abs/2609.17897v1
- Date: Tue, 15 Sep 2026 22:39:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.559043
- Title: When AI Agents Meet MEV: Cross-Chain Arbitrage in the Agentic Economy
- Title（参考訳）: AIエージェントがMEVと出会う時:エージェント経済におけるクロスチェーンな仲裁
- Abstract要約: 我々は、人間やボットではなく、自律的なAIエージェントが検索者である場合、チェーン間の仲裁について研究する。
我々はエージェントを調停抽出器と最大抽出可能な値ターゲットの両方としてモデル化する。
CCTP経由のL2-L2ウィンドウの63%で10,000ドルの取引が明確であるのに対して、L1-L2ルートは5万ドル以上を要している。
- 参考スコア（独自算出の注目度）: 8.49630679002329
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study cross-chain arbitrage when autonomous AI agents, rather than humans or bots, are the searchers. We model agents as both arbitrage extractors and Maximal Extractable Value targets, derive the optimal trade size for a risk-averse agent under mean-variance utility with stochastic bridge delays, and formalize multi-chain path selection as a belief-weighted online learning problem whose belief estimates converge under a Robbins-Monro schedule. Using 23,000 Uniswap V3 swap events across Ethereum, Arbitrum, and Base, we find that Ethereum-Arbitrum price gaps average 0.044% at 10-second resolution and Arbitrum--Base gaps average 0.013%, so $10,000 trades clear in 63% of L2-L2 windows via CCTP while L1-L2 routes require $50,000 or more for comparable viability. Our adaptive path-selection algorithm outperforms standard baselines by 11% on average, and moderate randomization cuts MEV exposure by over 50% with only modest profit loss.
- Abstract（参考訳）: 我々は、人間やボットではなく、自律的なAIエージェントが検索者である場合、チェーン間の仲裁について研究する。
エージェントを仲裁抽出器と最大抽出可能な値目標の両方としてモデル化し、確率的ブリッジ遅延を伴う平均分散効用下でのリスク回避エージェントの最適取引サイズを導出し、信念推定がロビンズ・モンロスケジュールの下で収束する信念重み付きオンライン学習問題としてマルチチェーンパス選択を定式化する。
Ethereum、Arbitrum、Baseの23,000のUnixwap V3スワップイベントを使用して、Ethereum-Arbitrumの価格ギャップは10秒の解像度で平均0.044%、Arbitrum-Baseのギャップは平均0.013%である。
適応経路選択アルゴリズムは標準基準線を平均11%上回り、適度なランダム化によりMEV露光は50%以上減少し、利益損失はわずかである。
関連論文リスト
- Attributing Emergence in Million-Agent Systems [68.53670424791751]
大規模言語モデル(LLM)は、個々のエージェントにおける人間のような推論と意思決定をシミュレートすることができる。
このような研究は、個々のエージェントにマクロな出現をもたらす必要がある。
Aumann--Shapley path-integral attribution to LLM-powered MAS at million-agent scale。
論文 参考訳（メタデータ） (2026-05-12T01:49:41Z) - STEP3-VL-10B Technical Report [115.89015065130127]
STEP3-VL-10Bは、コンパクト効率とフロンティアレベルのマルチモーダルインテリジェンスとのトレードオフを再定義する軽量基盤モデルである。
そこで我々はPallel Coordinated Reasoning(PaCoRe)を実装して,テスト時間計算をスケールし,リソースをスケーラブルな知覚推論に割り当てる。
MMBenchでは92.2%、MMMUでは80.11%、AIME2025では94.43%、MathVisionでは75.95%である。
論文 参考訳（メタデータ） (2026-01-14T17:58:24Z) - A$^2$FM: An Adaptive Agent Foundation Model for Tool-Aware Hybrid Reasoning [40.6234318894435]
大規模言語モデルは、推論中心のLLMとエージェントのLLMの2つのファミリーに分けられた。
この分割は、基本的に異なるトレーニング目標から生じ、単純なクエリに対して不一致の強度と非効率をもたらす。
本稿では,アダプティブ・エージェント・ファンデーション・モデル (A$2$FM) を提案する。
論文 参考訳（メタデータ） (2025-10-13T17:08:25Z) - AI Agent Architecture for Decentralized Trading of Alternative Assets [2.8195433571821162]
GoldMine OSは、ブロックチェーンベースのStablecoin("OZ")への物理的な金のトークン化と交換を自動化するために、複数の専門的AIエージェントを使用する研究指向アーキテクチャである。
本稿では,4つの協調エージェント(コンプライアンス,トークン発行,マーケットメイキング,リスクコントロール)とコーディネートコアについて述べる。
実験では、プロトタイプは需要トークンを1.2秒未満で提供し、手動よりも100倍以上高速である。
論文 参考訳（メタデータ） (2025-07-15T09:11:19Z) - Robust Reinforcement Learning from Corrupted Human Feedback [86.17030012828003]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の嗜好データを調整するための原則化されたフレームワークを提供する。
我々はRLHFのロバストなアプローチ-$R3M$を提案し、これは、潜在的に破損した選好ラベルをスパースアウトリーとしてモデル化する。
大規模言語モデル(LLM)を用いたロボット制御と自然言語生成の実験により、R3M$は、好みデータに対する様々な摂動に対する報酬の堅牢性を向上することを示した。
論文 参考訳（メタデータ） (2024-06-21T18:06:30Z) - Cross-Rollup MEV: Non-Atomic Arbitrage Across L2 Blockchains [6.892626226074608]
本研究では,レイヤ2(L2)ブロックチェーン上での非原子MEVのポテンシャルを,クロスロールとDEX-CEXの仲裁機会を測定することによって定量化する。
L2のスワップコストと価格不一致のクロスロールアップとDEX-CEXを解析することにより、50万以上の未探索仲裁機会を特定する。
論文 参考訳（メタデータ） (2024-06-04T10:03:23Z) - Uniswap Liquidity Provision: An Online Learning Approach [49.145538162253594]
分散取引所(DEX)は、テクノロジーを活用した新しいタイプのマーケットプレイスである。
そのようなDECの1つ、Unixwap v3は、流動性プロバイダが資金のアクティブな価格間隔を指定することで、より効率的に資金を割り当てることを可能にする。
これにより、価格間隔を選択するための最適な戦略を見出すことが問題となる。
我々は、この問題を非確率的な報酬を伴うオンライン学習問題として定式化する。
論文 参考訳（メタデータ） (2023-02-01T17:21:40Z)
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。