論文の概要: LLMs are General Asynchronous Agents

• arxiv url: http://arxiv.org/abs/2609.35427v1
• Date: Mon, 28 Sep 2026 15:35:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 05:32:27.621582
• Title: LLMs are General Asynchronous Agents
• Title（参考訳）: LLMは一般的な非同期エージェントである
• Abstract要約: 我々は,ユーザが重複するメモリ状態で推論を定義できる非同期LLMフレームワークを開発した。 Qwen 3.x モデルでは,タスク固有のトレーニングを必要とせず,ビデオ理解,ゲーム,監視の非同期操作が可能であることを実証する。
• 参考スコア（独自算出の注目度）: 0.5005891834913972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern LLMs are increasingly capable as autonomous agents, but they follow sequential interaction cycles: read, think, reply or call tools, repeat. Many real-world use cases are not sequential: voice assistants, embodied agents, and monitoring systems receive new inputs while they think or perform another task. Modern LLMs address this with specialized architectures for voice interaction and video streams, VLAs for robot control, asynchronous tool calling for API usage, and others. In this work, we generalize from different asynchronous tasks to general asynchronous agents that can adapt to different types of concurrency. To achieve this, we develop an asynchronous LLM framework that lets users (or the agents themselves) define inference coroutines with overlapping memory states. We showcase that Qwen 3.x models are capable of asynchronous operation for streaming video understanding, videogames, and monitoring, without task-specific training.
• Abstract（参考訳）: 現代のLSMは、自律的なエージェントとしてますます機能しますが、読み込み、思考、返信、呼び出しツールといった、逐次的なインタラクションサイクルに従っています。 音声アシスタント、エンボディエージェント、監視システムは、他のタスクを考えたり実行したりしながら、新しい入力を受け取る。 現代のLLMでは、音声インタラクションとビデオストリームのための特別なアーキテクチャ、ロボット制御のためのVLA、API使用のための非同期ツール呼び出しなど、この問題に対処している。 本研究では、異なる非同期タスクから、異なるタイプの並行処理に適応できる一般的な非同期エージェントに一般化する。 これを実現するために,ユーザ(あるいはエージェント自身)が重複するメモリ状態を持つ推論コルーチンを定義可能な非同期LLMフレームワークを開発した。 Qwen 3.x モデルでは,タスク固有のトレーニングを必要とせず,ビデオ理解,ゲーム,監視の非同期操作が可能であることを実証する。

関連論文リスト

• FRAMEWORKERS: A Dynamic Multi-Agent Framework for AI-Generated Video Production [55.71860113185132]
  本稿では,タスク中心のマルチエージェントフレームワークであるFRAMEWORKERSを紹介した。 Central Directorは、ビデオ生成を動的タスク管理として定式化し、タスクスタックを継続的に編集して、次にどのサブタスクを実行するか、どのサブエージェントを呼び出すかを決定する。 アシスタントは実行層として機能し、選択した各タスクを共有ワークスペースに接地し、必要なアセットとコンテキストを検索し、割り当てられたサブエージェントを呼び出し、結果のアーティファクトを永続化する。 FRAMEWORKERSは、ルーティング精度において強いプランナーよりも優れ、実行時の障害から確実に回復し、目に見えないサブに一般化することを示した。
  論文  参考訳（メタデータ） (2026-08-30T14:28:50Z)
• Concurrency without Model Changes: Future-based Asynchronous Function Calling for LLMs [27.87966725448941]
  AsyncFCは、LLMデコードと関数実行を分離する純粋な実行層フレームワークである。 AsyncFCはタスクの正確性を維持しながら、エンドツーエンドのタスク完了時間を著しく短縮する。
  論文  参考訳（メタデータ） (2026-05-14T17:02:28Z)
• Can Multi-Modal LLMs Provide Live Step-by-Step Task Guidance? [27.55597863240135]
  Qualcomm Interactive Cooking ベンチマークを用いて,最先端のマルチモーダル言語モデル (LLM) の評価を行った。 対話型指導指導のためのマルチモーダルLLMであるLiveMambaを紹介する。 この作業は、最初の専用のベンチマークと、ライブで配置されたコーチングの開発と評価のための強力なベースラインを提供する。
  論文  参考訳（メタデータ） (2025-11-27T00:54:35Z)
• UniVA: Universal Video Agent towards Open-Source Next-Generation Video Generalist [107.04196084992907]
  次世代ビデオジェネラリストのためのオールニ対応マルチエージェントフレームワークUniVAを紹介する。 UniVAはPlan-and-Actのデュアルエージェントアーキテクチャを採用しており、高度に自動化されプロアクティブなワークフローを駆動している。 また、理解、編集、セグメンテーション、生成にまたがるマルチステップビデオタスクのベンチマークスイートUniVA-Benchについても紹介する。
  論文  参考訳（メタデータ） (2025-11-11T17:58:13Z)
• Hogwild! Inference: Parallel LLM Generation via Concurrent Attention [28.79949544705571]
  大規模言語モデル(LLM)は、高度な推論、長文コンテンツ生成、ツールの使用を通じて、ますます複雑なタスクに取り組む。 推論: 同じLLMの複数のインスタンスが同じアテンションキャッシュと並行して動作し、相互のメモリに"インスタント"アクセスする並列LLM推論エンジン。 最新の推論可能なLCMは、追加の微調整をすることなく、共有キーバリューキャッシュで推論を行うことができる。
  論文  参考訳（メタデータ） (2025-04-08T17:59:41Z)
• Asynchronous LLM Function Calling [1.447413712290616]
  AsyncLMは、非同期大言語モデル(LLM)関数呼び出しのためのシステムである。 AsyncLMは同期関数呼び出しと比較して、エンドツーエンドのタスク完了遅延を1.6x-5.4xに削減できることを示す。
  論文  参考訳（メタデータ） (2024-12-09T21:53:10Z)
• Asynchronous Tool Usage for Real-Time Agents [61.3041983544042]
  並列処理とリアルタイムツール利用が可能な非同期AIエージェントを導入する。 私たちの重要な貢献は、エージェントの実行とプロンプトのためのイベント駆動有限状態マシンアーキテクチャです。 この研究は、流体とマルチタスクの相互作用が可能なAIエージェントを作成するための概念的なフレームワークと実践的なツールの両方を提示している。
  論文  参考訳（メタデータ） (2024-10-28T23:57:19Z)
• An LLM Compiler for Parallel Function Calling [68.04566807806071]
  我々は,複数の関数呼び出しを効率的にオーケストレーションするために並列に関数を実行するLLMCompilerを紹介する。 ReActと比較して、一貫したレイテンシの高速化が3.7倍、コストの削減が6.7倍、精度が9%向上している。
  論文  参考訳（メタデータ） (2023-12-07T18:32:04Z)

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。