論文の概要: Rethinking Multi-Agent Collaboration: When More Is Less

• arxiv url: http://arxiv.org/abs/2609.19759v1
• Date: Thu, 17 Sep 2026 06:29:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.123557
• Title: Rethinking Multi-Agent Collaboration: When More Is Less
• Title（参考訳）: マルチエージェントコラボレーションを再考する
• Abstract要約: 本稿では,Semantic-Aware Incremental Graph Evolutionに基づく,軽量なマルチエージェント協調機構であるSAIGEを提案する。 SAIGEは文脈効率とタスク性能のトレードオフを良好に実現していることを示す。 以上の結果から,マルチエージェントの優越性は普遍的ではなくタスク構造によって制限されていることが示唆された。
• 参考スコア（独自算出の注目度）: 26.665862829215587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancement of large language models and single-agent harnesses has reshaped the landscape of autonomous systems, raising a critical question of when multi-agent collaboration offers genuine value. As individual agent capabilities continue to scale, multi-agent collaboration faces diminishing returns while incurring growing context overhead. Through systematic analysis, we delineate the capability boundaries of multi-agent collaboration relative to single-agent alternatives, showing that it confers systematic benefits specifically in long-horizon tasks with sparse dependencies, while single-agent harnesses remain superior in tightly coupled, sequential workflows. Building on these insights, we propose SAIGE, a lightweight multi-agent collaboration mechanism based on Semantic-Aware Incremental Graph Evolution. SAIGE models collaboration as a dynamically evolving graph, where nodes are agent instances spawned on demand and edges encode semantic dependencies established through content-based information retrieval. Experiments on long-horizon, complex task benchmarks show that SAIGE achieves a favorable trade-off between context efficiency and task performance, and that scaling the agent pool or deepening the recursion level does not consistently improve outcomes. Our findings suggest that multi-agent superiority is bounded by task structure rather than universal, and that more agents do not necessarily make a system more intelligent.
• Abstract（参考訳）: 大規模言語モデルと単一エージェントハーネスの急速な進歩は、自律システムのランドスケープを再構築し、マルチエージェントコラボレーションが真の価値を提供するのかという批判的な疑問を提起している。 個々のエージェントの能力が拡大を続けるにつれて、マルチエージェントのコラボレーションはリターンを低下させ、コンテキストのオーバーヘッドが増大する。 体系的な分析を通じて、単一エージェントの代替品に対するマルチエージェント協調の能力境界を明確にし、単一エージェントのハーネスが緊密に結合されたシーケンシャルなワークフローにおいて優れているのに対して、単一エージェントのハーネスは、疎い依存関係を持つ長い水平タスクにおいて、システマティックな利点を提供することを示した。 これらの知見に基づいて,Semantic-Aware Incremental Graph Evolutionに基づく軽量マルチエージェント協調機構であるSAIGEを提案する。 SAIGEは動的に進化するグラフとしてコラボレーションをモデル化し、ノードはオンデマンドで生成されるエージェントインスタンスであり、エッジはコンテンツベースの情報検索によって確立されたセマンティック依存関係をエンコードする。 長期にわたる複雑なタスクベンチマークの実験では、SAIGEはコンテキスト効率とタスクパフォーマンスのトレードオフを良好に達成し、エージェントプールのスケーリングや再帰レベルの向上は、常に結果を改善するものではないことが示されている。 以上の結果から,マルチエージェントの優越性は普遍的ではなくタスク構造によって制限されていることが示唆された。

関連論文リスト

• Scaling Behavior of Single LLM-Driven Multi-Agent Systems [5.2324118961669575]
  マルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むことを約束する。 本稿では, エージェント数の増加に伴い, 均質MASの性能がどう進化するかを系統的に検討する。
  論文  参考訳（メタデータ） (2026-05-30T09:57:49Z)
• An Empirical Study of Multi-Agent Collaboration for Automated Research [41.906658558789545]
  本稿では,機械学習の自動最適化のための異なるマルチエージェント構造の比較効果について検討する。 サブエージェントアーキテクチャとエージェントチームアーキテクチャという,2つのマルチエージェントパラダイムに対して,単一エージェントベースラインをベンチマークする。 この結果から,運用安定性と理論的検討の根本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2026-03-31T11:57:00Z)
• MARTI-MARS$^2$: Scaling Multi-Agent Self-Search via Reinforcement Learning for Code Generation [64.2621682259008]
  セルフサーチスケーリングによるマルチエージェント強化トレーニングと推論フレームワーク(MARTI-MARS2) 本稿では,MARTI-MARS2を用いたマルチエージェント強化学習・推論フレームワークを提案する。 我々は、MARTI-MARS2が77.7%を獲得し、GPT-5.1のような強力なベースラインを、挑戦的なコード生成ベンチマークで上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-08T07:28:44Z)
• SYMPHONY: Synergistic Multi-agent Planning with Heterogeneous Language Model Assembly [6.444704310331922]
  本稿では,新しいマルチエージェント・プランニング・フレームワークであるSYMPHONY(Synergistic Multi-Adnt Planning with Heterogeneous langauge model assembly)を提案する。 エージェント間の多様な推論パターンを活用することで、SYMPHONYはロールアウトの多様性を高め、より効果的な探索を促進する。 実験結果から,SYMPHONYはコンシューマグレードのハードウェア上にデプロイ可能なオープンソースLLMをインスタンス化した場合でも,高い性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-01-30T06:26:34Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• Emergent Coordination in Multi-Agent Language Models [2.504366738288215]
  マルチエージェントシステムが高次構造の兆候を示すかどうかをテストするための情報理論フレームワークを提案する。 この情報分解により、マルチエージェントLLMシステムに動的に出現するかどうかを測定することができる。 我々は,エージェントの直接通信を使わずに,単純な推測ゲームを用いた実験に本フレームワークを適用した。
  論文  参考訳（メタデータ） (2025-10-05T11:26:41Z)
• Enhancing Heterogeneous Multi-Agent Cooperation in Decentralized MARL via GNN-driven Intrinsic Rewards [1.179778723980276]
  MARL(Multi-agent Reinforcement Learning)は、シーケンシャルな意思決定と制御タスクの鍵となるフレームワークである。 これらのシステムを現実のシナリオに展開するには、分散トレーニング、多様なエージェントセット、そして頻繁な環境報酬信号から学ぶ必要がある。 我々は,新しいグラフニューラルネットワーク(GNN)に基づく本質的なモチベーションを利用して,異種エージェントポリシーの学習を容易にするCoHetアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-12T21:38:40Z)
• Scaling Large Language Model-based Multi-Agent Collaboration [72.8998796426346]
  近年の大規模言語モデル駆動型自律エージェントのブレークスルーにより、複数エージェントのコラボレーションが集団的推論を通じて各個人を上回ることが判明している。 本研究は、協調剤の連続的な添加が同様の利益をもたらすかどうかを考察する。
  論文  参考訳（メタデータ） (2024-06-11T11:02:04Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)

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。