論文の概要: Scaling Discovery through Test-Time Communication

• arxiv url: http://arxiv.org/abs/2609.21032v1
• Date: Thu, 17 Sep 2026 19:38:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.764432
• Title: Scaling Discovery through Test-Time Communication
• Title（参考訳）: テスト時間通信によるディスカバリのスケールアップ
• Abstract要約: テスト時間通信は、課題のあるタスクにおいて、独立した並列処理を著しく上回ることを示す。 私たちは、$k$通信エージェントのチームであるTeam@$k$が、4k$独立エージェントの成功率と一致していることに気付きました。
• 参考スコア（独自算出の注目度）: 37.11075102731616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Science advances not in isolation but through collaboration, yet existing agentic systems capture little of this. Whether communicating agents help remains an open question with mixed prior results. We show that test-time communication can substantially outperform independent parallel attempts on challenging tasks, where sharing a breakthrough can push the whole group forward. We first study the effect of scaling multi-agent test-time communication, where agents have no predefined roles and communicate via a shared directory, on ARC-AGI-3, a benchmark requiring novel problem solving. We find that a team of $k$ communicating agents, team@$k$, matches the success rate of $4k$ independent agents, and this advantage grows with $k$, suggesting gains compound with scale. The effect is not merely efficiency: a task that no single agent can solve, a team of agents can solve reliably. Furthermore, these gains transfer to research-oriented tasks, given sufficient compute. On polyomino packing, communicating agents outperform best@$k$ and exceed the prior best-known score. On MNIST classifier compression, communication surpasses the best-known human solution. A team of four agents produced a 1,957-byte classifier submission achieving 99.4% test accuracy, smaller than both the best-known human solution and the best single-agent result. These gains are not unconditional. Independent agents may outperform communication when compute is limited or when a clear measure of progress is absent. However, under sufficient compute and clear feedback, multi-agent communication consistently yields stronger results.
• Abstract（参考訳）: 科学は孤立せず、コラボレーションを通じて進歩するが、既存のエージェントシステムはそれをほとんど捉えない。 コミュニケーションエージェントが助けになるかどうかについては、事前の結果が混ざったオープンな疑問が残る。 テストタイムコミュニケーションは、グループ全体を前進させるブレークスルーを共有する、挑戦的なタスクにおいて、独立した並行的な試みを著しく上回ります。 まず,エージェントが予め定義された役割を持たず,共有ディレクトリを介してコミュニケーションを行うマルチエージェントテストタイムコミュニケーションを,新たな問題解決を必要とするベンチマークであるARC-AGI-3上でのスケール効果について検討する。 私たちは、$k$のコミュニケーションエージェントであるTeam@k$のチームが、4k$の独立したエージェントの成功率と一致していることに気付きました。 一つのエージェントが解けないタスクでは、エージェントのチームが確実に解ける。 さらに、これらは十分な計算量で研究指向のタスクに転送される。 ポリオミノパッキングでは、通信エージェントは Best@$k$ を上回り、既知のスコアを上回ります。 MNIST分類器圧縮では、通信はよく知られた人間の解を超える。 4人のエージェントからなるチームは、99.4%の精度で1,957バイトの分類器を作成した。 これらの利得は無条件ではない。 独立エージェントは、計算が限られている場合や、明確な進捗測定が欠如している場合、コミュニケーションを上回ります。 しかし、十分な計算と明確なフィードバックの下では、マルチエージェント通信はより強力な結果をもたらす。

関連論文リスト

• Benchmarking Open-Ended Multi-Agent Coordination in Language Agents [48.1363632826625]
  Alemは、手続き的に生成されたコーディネーションタスク、ソフトな特殊化、コミュニケーション、制御可能なコーディネーションの難しさを、長い水平サバイバルの世界に埋め込む。 Craftaxライクなダイナミックス上に構築されたオープンなマルチエージェント協調のためのJAXベースのベンチマークである$alem$を紹介します。
  論文  参考訳（メタデータ） (2026-06-06T21:13:43Z)
• What Should Agents Say? Action-state Communication for Efficient Multi-Agent Systems [27.11156309236441]
  2つのマルチエージェントシステム間での5つの共通エージェント間通信戦略を解析する。 PACT (Protocolized Action-State Communication and Transmission) は,エージェント間通信を状態更新問題として扱う。 PACTはパフォーマンスコストのトレードオフを一貫して改善し、トークンを著しく少なくして、同等またはより強力なタスクパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2026-06-03T18:00:22Z)
• CONCAT: Consensus- and Confidence-Driven Ad Hoc Teaming for Efficient LLM-Based Multi-Agent Systems [28.51314301845782]
  CONCATは、ConsensusとConfidence-driven Adhoc Teamingをベースにした、トレーニングフリーのマルチエージェントコラボレーションフレームワークである。 3つのLLMと3つのベンチマーク実験により、CONCATはLLM-Debateよりも最大2.02倍高い効率(精度/レイテンシ比)を達成することが示された。
  論文  参考訳（メタデータ） (2026-05-28T08:47:54Z)
• Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning [68.85408801740228]
  協調型マルチエージェント強化学習問題としてトポロジ選択を再構成する強化学習フレームワークである textbfAgent Q-Mix を提案する。 提案手法は,Qmix値分解を用いて分散化された通信決定を学習し,各エージェントがラウンドワイド通信グラフを共同生成する一連の通信行動から選択する。 エージェントQ-Mixは,エージェント故障に対して優れたトークン効率とロバスト性を示しながら,既存手法と比較して高い平均精度を達成する。
  論文  参考訳（メタデータ） (2026-04-01T00:38:24Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)
• Preventing Rogue Agents Improves Multi-Agent Collaboration [21.955058255432974]
  本稿では,アクション予測中にエージェントを監視し,将来エラーが発生する可能性がある場合に介入することを提案する。 WhoDunitEnv、コード生成タスク、そしてリソース持続可能性のためのGovSim環境の実験は、我々のアプローチがパフォーマンスを大幅に向上させることを示している。
  論文  参考訳（メタデータ） (2025-02-09T18:35:08Z)
• Building Cooperative Embodied Agents Modularly with Large Language Models [104.57849816689559]
  本研究では, 分散制御, 生の知覚観察, コストのかかるコミュニケーション, 様々な実施環境下でインスタンス化された多目的タスクといった課題に対処する。 我々は,LLMの常識知識,推論能力,言語理解,テキスト生成能力を活用し,認知に触発されたモジュラーフレームワークにシームレスに組み込む。 C-WAH と TDW-MAT を用いた実験により, GPT-4 で駆動される CoELA が, 強い計画に基づく手法を超越し, 創発的な効果的なコミュニケーションを示すことを示した。
  論文  参考訳（メタデータ） (2023-07-05T17:59:27Z)
• Learning Individually Inferred Communication for Multi-Agent Cooperation [37.56115000150748]
  我々はエージェントエージェントがエージェントエージェントコミュニケーションの事前学習を可能にするために、個別推論通信(I2C)を提案する。 先行知識は因果推論によって学習され、フィードフォワードニューラルネットワークによって実現される。 I2Cは通信オーバーヘッドを減らすだけでなく、様々なマルチエージェント協調シナリオのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-06-11T14:07:57Z)

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。