論文の概要: Beyond Solo and Consistency: Vindicating Multi-Agent Debate via Conditional Progressive Pruning
- arxiv url: http://arxiv.org/abs/2609.33974v1
- Date: Sun, 27 Sep 2026 22:16:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 08:10:29.801314
- Title: Beyond Solo and Consistency: Vindicating Multi-Agent Debate via Conditional Progressive Pruning
- Title（参考訳）: SoloとConsistencyを超えて:条件付きプログレッシブ・プルーニングによるマルチエージェント・ディベートをVindicating Multi-Agent Debate
- Abstract要約: マルチエージェント・ディベート(MAD)は、最も効果的なテスト時間スケーリング手法の1つである。
既存のMADフレームワークは、同じ厳格なコスト制限の下で、強力なSingle AgentとConsistencyベースのベースラインを破ることができません。
マルチラウンドMADを完全に活用する軽量プルーニングフレームワークである Conditional Progressive Pruning (CPP) を提案する。
- 参考スコア（独自算出の注目度）: 52.076026079002695
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Large Language Model (LLM) based Multi-Agent Debate (MAD) is one of the most effective test time scaling techniques. Through multi-round communication, agents complement each other in knowledge and reasoning and solve tasks that no single member can solve. However, existing MAD frameworks fail to beat strong Single Agent and Consistency-based baselines under the same strict cost limit, which shakes the foundation of the MAD field. We propose Conditional Progressive Pruning (CPP), a lightweight pruning framework that fully exploits multi-round MAD. CPP outperforms all existing MAD frameworks on multiple dominated benchmarks. It is also the first to fully outperform consistency methods. Our code, detailed agent interaction records will be released soon.
- Abstract（参考訳）: 大規模言語モデル(LLM)に基づくマルチエージェント議論(MAD)は、最も効果的なテスト時間スケーリング手法の1つである。
マルチラウンドコミュニケーションを通じて、エージェントは知識と推論において相互に補完し、単一のメンバーが解決できないタスクを解決する。
しかし、既存のMADフレームワークは、同じ厳格なコスト制限の下で強力なSingle AgentとConsistencyベースのベースラインを破ることができず、MADフィールドの基礎を揺らぎます。
マルチラウンドMADを完全に活用する軽量プルーニングフレームワークである Conditional Progressive Pruning (CPP) を提案する。
CPPは、既存のすべてのMADフレームワークを、複数の支配的なベンチマークで上回っている。
また、一貫性メソッドを初めて完全に上回るものでもある。
私たちのコード、詳細なエージェントのインタラクションレコードはまもなくリリースされます。
関連論文リスト
- Heterogeneous Consensus-Progressive Reasoning for Efficient Multi-Agent Debate [58.675713546748305]
マルチエージェント・ディベート(英: Multi-Agent Debate、MAD)は、複数のエージェントが推論および反復的批判サイクルの生成を通じて、反復的にソリューションを洗練する協調的なフレームワークである。
本研究は,HCP-MADのための不均一なコンセンサス・プログレッシブ推論を導入する。
HCP-MADは3段階のプログレッシブ推論機構を用いて、様々なタスク複雑度にまたがる適応的なソリューションを開発する。
論文 参考訳（メタデータ） (2026-04-03T06:58:59Z) - AgentArk: Distilling Multi-Agent Intelligence into a Single LLM Agent [57.10083973844841]
AgentArkは、マルチエージェントダイナミクスを単一のモデルの重みに蒸留する新しいフレームワークである。
各種モデル,タスク,スケーリング,シナリオの3つの階層的蒸留戦略について検討する。
シミュレーションからトレーニングへ計算の負担をシフトさせることで、蒸留されたモデルは、複数のエージェントの強い推論と自己補正性能を示しながら、一つのエージェントの効率を保ちます。
論文 参考訳（メタデータ） (2026-02-03T19:18:28Z) - M3MAD-Bench: Are Multi-Agent Debates Really Effective Across Domains and Modalities? [37.902089112579]
マルチエージェント討論(MAD)は、回答の品質を改善し、複雑な推論をサポートするため、構造化された議論を通じて複数のエージェントを編成する。
既存のMADの研究は、断片化と矛盾した設定下で評価が行われ、公正な比較を妨げるという2つの基本的な限界に悩まされている。
M3MAD-Benchは、マルチドメインタスク、マルチモーダルインプット、マルチ次元メトリクスにわたるMADメソッド評価のための統一ベンチマークである。
論文 参考訳（メタデータ） (2026-01-06T09:33:48Z) - iMAD: Intelligent Multi-Agent Debate for Efficient and Accurate LLM Inference [11.86992814928132]
マルチエージェント・ディベート(MAD)は、構造化された議論に複数のエージェントを関与させる有望なフレームワークとして登場した。
トークン効率の高いフレームワークであるインテリジェントマルチエージェント・ディベート(iMAD)を提案する。
iMADはトークン使用率(最大92%)を大幅に削減し、最終回答精度(最大13.5%)も向上することを示した。
論文 参考訳（メタデータ） (2025-11-14T13:50:51Z) - Towards Scalable Oversight with Collaborative Multi-Agent Debate in Error Detection [81.52796950244705]
自己診断は、信頼できる外部からのフィードバックがなければ、複雑なタスクでは信頼できない。
我々は,新たなコラボレーティブMADプロトコルであるColMADを導入し,MADを非ゼロ和ゲームとして再構成する。
ColMADは従来の競合MADよりも19%優れていた。
論文 参考訳（メタデータ） (2025-10-23T19:46:00Z) - Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。
既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。
ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
論文 参考訳（メタデータ） (2025-10-06T10:44:04Z) - Free-MAD: Consensus-Free Multi-Agent Debate [17.384699873512464]
マルチエージェント討論(MAD)は、大規模言語モデル(LLM)の推論能力を改善するための新しいアプローチである。
既存のMADメソッドは、合意に達するためにエージェント間の複数ラウンドの相互作用に依存しており、最終的な出力は前回のラウンドで多数決によって選択される。
エージェント間のコンセンサスを必要としない新しいMADフレームワークであるtextscFree-MADを提案する。
論文 参考訳（メタデータ） (2025-09-14T01:55:01Z) - Stop Overvaluing Multi-Agent Debate -- We Must Rethink Evaluation and Embrace Model Heterogeneity [20.408720462383158]
マルチエージェント討論(MAD)は,大規模言語モデル(LLM)の事実的精度と推論能力を改善するための,将来的な研究ラインとして注目されている。
概念的魅力にもかかわらず、現在のMAD研究は評価実践の限界に悩まされている。
そこで本研究では, 基礎モデルを用いて, 9つのベンチマークにまたがる5つの代表的MAD手法の体系的評価を行った。
論文 参考訳（メタデータ） (2025-02-12T21:01:10Z) - FACMAC: Factored Multi-Agent Centralised Policy Gradients [103.30380537282517]
FACtored Multi-Agent Centralized Policy gradients (FACMAC)を提案する。
離散的および連続的な行動空間における協調的マルチエージェント強化学習のための新しい手法である。
我々は,マルチエージェント粒子環境の変動に対するFACMAC,新しいマルチエージェント MuJoCo ベンチマーク,およびStarCraft II マイクロマネジメントタスクの挑戦的セットについて評価した。
論文 参考訳（メタデータ） (2020-03-14T21:29:09Z)
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。