論文の概要: Agensh: Scaling Organizational Intelligence to 1,024 Agents

• arxiv url: http://arxiv.org/abs/2609.26781v1
• Date: Tue, 22 Sep 2026 17:56:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.779562
• Title: Agensh: Scaling Organizational Intelligence to 1,024 Agents
• Title（参考訳）: Agensh: 組織的インテリジェンスを1,024エージェントにスケールアップする
• Abstract要約: Agenshは、中央のオーケストレータを持たないスケーラブルな自己組織化マルチエージェントハーネスである。 GPT-5.6-sol を用いて,最も難しい ProgramBench タスクを5つ評価した。 1から128エージェントへのスケーリングでは、最終テストパス率は19.31%から28.78%に上昇する。 パンドックでは、1から1,024のエージェントが最終テストパスレートを33.89%から55.06%に引き上げる。
• 参考スコア（独自算出の注目度）: 85.08934183130329
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A multi-agent system can reduce latency on complex tasks by executing work concurrently. Several pioneering harness frameworks support multi-agent systems. However, the scalability of current multi-agent harnesses is often constrained by a central orchestrator's capacity to allocate tasks and coordinate workers. To address this limitation, we introduce Agensh, a scalable self-organized multi-agent harness without a central orchestrator: concurrent workers execute a multi-agent cooperation loop, continuously gathering context, claiming and self-assigning sub-tasks, taking action and sharing findings, verifying results, and merging progress in an asynchronous manner. The loop is supported by the agentic organization infrastructure comprising three components: a shared workspace holds proposed, ongoing, and completed work; a message interface lets workers communicate; and shared context retains reusable findings and work intentions. To test the scalability of Agensh, we evaluate it on the five hardest ProgramBench tasks with GPT-5.6-sol (high). Scaling from 1 to 128 agents raises the mean final test-pass rate from 19.31% to 28.78%, an approximately 49% relative improvement. Larger organizations reach comparable test-pass rates earlier. On pandoc, scaling from 1 to 1,024 agents raises the final test-pass rate from 33.89% to 55.06%. Worker trajectories further show that different forms of self-organized cooperation gradually emerges and standardizes as the organization grows. These results reveal the number of agents as a new scaling dimension for multi-agent organizations to expand the frontier of general intelligence, offering a practical solution for complex tasks under hard latency constraints or time budgets.
• Abstract（参考訳）: マルチエージェントシステムは、並列に作業を実行することで、複雑なタスクのレイテンシを低減することができる。 いくつかの先駆的なハーネスフレームワークはマルチエージェントシステムをサポートしている。 しかしながら、現在のマルチエージェントハーネスのスケーラビリティは、中央オーケストレータがタスクの割り当てや作業者の調整を行う能力によって制約されることが多い。 この制限に対処するため,中央オーケストレータを使わずにスケーラブルな自己組織型マルチエージェントハーネスであるAgenshを導入し,並列作業者はマルチエージェント協調ループを実行し,コンテキストを連続的に収集し,サブタスクの主張と自己割り当てを行い,アクションと結果の共有を行い,結果を検証し,非同期に進捗をマージする。 共有ワークスペースは提案、継続、完了した作業を保持し、メッセージインターフェースは労働者がコミュニケーションし、共有コンテキストは再利用可能な発見と作業意図を保持します。 Agensh のスケーラビリティをテストするため,GPT-5.6-sol (high) を用いて,最も難しい ProgramBench タスクを5つ評価した。 1から128エージェントのスケーリングにより、最終テストパス率は19.31%から28.78%に上昇し、相対的な改善は49%である。 より大規模な組織は、テストパス率に匹敵する水準に達した。 パンドックでは、1から1,024のエージェントが最終テストパス率を33.89%から55.06%に引き上げる。 労働者軌道はさらに、組織が成長するにつれて、異なる形態の自己組織化された協力が徐々に出現し、標準化されることを示している。 これらの結果から,多エージェント組織が汎用インテリジェンスのフロンティアを拡大するための新たなスケールディメンションとしてエージェントの数を明らかにし,ハードレイテンシ制約や時間予算の下での複雑なタスクに対する実用的なソリューションを提供する。

関連論文リスト

• Rethinking Multi-Agent Collaboration: When More Is Less [26.665862829215587]
  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。
  論文  参考訳（メタデータ） (2026-09-17T06:29:12Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• Multi-agent Deep Covering Skill Discovery [50.812414209206054]
  本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。 また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。 提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
  論文  参考訳（メタデータ） (2022-10-07T00:40:59Z)

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。