論文の概要: Multi-agent Scaling Across Disjunctive and Compensatory Tasks

• arxiv url: http://arxiv.org/abs/2609.31563v1
• Date: Fri, 25 Sep 2026 17:29:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.520783
• Title: Multi-agent Scaling Across Disjunctive and Compensatory Tasks
• Title（参考訳）: 分割・補償作業におけるマルチエージェントスケーリング
• Abstract要約: 本稿では,マルチエージェントLLMスケーリングのフレームワークとして,Steinerのグループタスク分類を紹介した。 解離的タスクでは、少なくとも1つのエージェントが正しい確率は、チームサイズで5～20ポイント向上するが、直接答えるエージェントに対する複数の投票は、このポテンシャルをほとんど実現しない。 Fermiの推定では、スケーリングはアグリゲーションに自然な適合性があるにもかかわらず、ほとんど利益を与えない。
• 参考スコア（独自算出の注目度）: 10.138220684013218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent LLM systems are often expected to improve as team size increases, yet the scaling behavior may depend on task structure. Our central contribution is to introduce Steiner's taxonomy of group tasks as a framework for analyzing multi-agent LLM scaling and focusing the analysis on disjunctive and compensatory tasks. We model independently sampled agents as conditionally independent given the item, which yields their large-team limits: plurality voting converges to the model's modal answer, and averaging converges to the model's item-level bias. Across selected representative benchmarks, 13 open-weight models, and teams of up to 30 agents, we find qualitatively different scaling behavior. On disjunctive tasks, the probability that at least one agent is correct grows by 5-20 points with team size, but plurality voting over agents that answer directly realises almost none of this potential, as the model predicts to within 0.5 points on average. Multi-round revision raises accuracy considerably, yet the gain is nearly the same with one peer as with 29. In contrast, scaling provides little benefit on Fermi estimation, despite its natural suitability for aggregation: item-level biases shared across the samples of a model account for about 87% of the squared error, so averaging reduces error by only about 6%. Combining model families helps on Fermi estimation but does not surpass the strongest member on disjunctive tasks. These results show that task structure, together with the mechanism combining member outputs, is a fundamental determinant of team scaling.
• Abstract（参考訳）: マルチエージェントLLMシステムはチームサイズが大きくなるにつれて改善することが期待されるが、スケーリングの振る舞いはタスク構造に依存する可能性がある。 本研究の中心的な貢献は,多エージェントLSMスケーリングの分析と,解離的タスクと補償的タスクの分析に焦点を合わせるためのフレームワークとして,Steinerの群タスク分類を導入することである。 複数の投票はモデルのモーダル回答に収束し、平均化はモデルのアイテムレベルのバイアスに収束する。 選択された代表的なベンチマーク、13のオープンウェイトモデル、最大30のエージェントからなるチームで、質的に異なるスケーリングの振る舞いを見つけました。 解離的タスクでは、少なくとも1つのエージェントが正解する確率はチームサイズで5～20ポイント向上するが、モデルが平均0.5ポイント以内と予測するので、直接答えるエージェントに対する複数の投票は、このポテンシャルをほとんど実現しない。 マルチラウンドリビジョンでは精度が大幅に向上するが、29.6%とほぼ同程度に向上した。 モデルのサンプル間で共有されるアイテムレベルのバイアスは2乗誤差の約87%を占めており、平均化はエラーを6%程度削減する。 モデルファミリの組み合わせはフェルミ推定に役立つが、解離的タスクにおいて最強のメンバを超えない。 これらの結果は,タスク構造とメンバのアウトプットを組み合わせたメカニズムが,チームのスケーリングの基本的な決定要因であることを示している。

関連論文リスト

• MentorCollab: Selective Large-to-Small Inference-Time Guidance for Efficient Reasoning [85.05204262206296]
  大きな推論モデル(LRM)は、長い思考の連鎖を生成することによって、強い性能を達成するが、その推論コストは高い。 小型言語モデル(SLM)はより効率的であるが、多段階推論タスクでは困難である。 本研究では, LRM が SLM を選択的かつ簡潔にガイドする推論時協調手法である MentorCollab を提案する。
  論文  参考訳（メタデータ） (2026-02-05T04:58:16Z)
• The Six Sigma Agent: Achieving Enterprise-Grade Reliability in LLM Systems Through Consensus-Driven Decomposed Execution [0.0]
  シックスシグマエージェント(Six Sigma Agent)は、3つの相乗的コンポーネントを通してエンタープライズグレードの信頼性を実現する新しいアーキテクチャである。 単エージェント実行よりも信頼性が14,700倍向上し,コストが80%削減された。 私たちの研究は、AIシステムの信頼性が、モデルスケーリング単独ではなく、原則的な冗長性とコンセンサスから生まれることを実証しています。
  論文  参考訳（メタデータ） (2026-01-29T20:04:29Z)
• Scaling Trends for Multi-Hop Contextual Reasoning in Mid-Scale Language Models [0.0]
  大規模言語モデルにおけるマルチホップ文脈推論の制御に関する研究について述べる。 マルチエージェントシステムは逆パターンを示し、ルールベースのメソッドが失敗する推論タスクを最大80%達成する。
  論文  参考訳（メタデータ） (2026-01-06T20:18:55Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Group size effects and collective misalignment in LLM multi-agent systems [0.0874967598360817]
  我々は、集団バイアスが以前評価されたよりも深い現象であることを示した。 群のサイズが非線形な方法での力学に影響を与えることを実証する。 これらの結果から,マルチエージェント・ダイナミクスのキードライバとしてグループサイズが確立された。
  論文  参考訳（メタデータ） (2025-10-25T19:45:45Z)
• On the Complexity of Multi-Agent Decision Making: From Learning in Games to Partial Monitoring [105.13668993076801]
  マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。 本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。 マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:46:22Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
  実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。 我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
  論文  参考訳（メタデータ） (2020-06-07T18:28:41Z)

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。