論文の概要: Worse Together: How Performance Breaks Down in Multi-User Multi-Agent Teams

• arxiv url: http://arxiv.org/abs/2610.00583v1
• Date: Wed, 30 Sep 2026 18:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.72126
• Title: Worse Together: How Performance Breaks Down in Multi-User Multi-Agent Teams
• Title（参考訳）: さらに悪いことに、マルチユーザマルチエージェントチームにおけるパフォーマンスの崩壊
• Abstract要約: 人々はますますAIエージェントにタスクを委譲している。 各エージェントが異なる目標を持った異なるユーザのために行動する場合、コーディネーションは失敗することが多い。 5つのフロンティアモデルと77のシナリオにまたがるマルチユーザ・マルチエージェント設定を4つの環境で検討した。
• 参考スコア（独自算出の注目度）: 0.06761464730921084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: People are increasingly delegating tasks to AI agents, and those agents are increasingly encountering other people's agents over shared resources such as a codebase, a calendar, or a budget. When each agent acts for a different user with different goals, coordination often fails, and the group ends up worse off than if a single agent had acted for everyone. We study this multi-user, multi-agent setting across five frontier models and 77 scenarios in four environments: an API key environment in which agents share a compute budget, a clinic in which they share a calendar, a personal assistant environment in which they share a group order or booking, and a merge queue in which they share a release cutoff. In each scenario, we compare a single agent that serves every user (a coordinator) to a team in which each agent serves one user, with and without a communication channel between the agents. Teams deliver worse group outcomes than the coordinator in every environment: without a channel, they completely collapse in two environments, and even with one, coordination overhead creates substantial gaps. For example, in the personal assistant environment, the coordinator fulfills a targeted user request about twice as often as teams. We identify distinct behaviors associated with this poor group-level performance, including stalling as teams grow, overriding each other's actions, and fabricating claims. We find effective but environment-specific mitigations, such as a team lead, explicit procedural instructions, and a platform check that makes an agent read its peers' messages before committing. We will release the API key, clinic, and personal assistant environments as MAMUBench, comprising 74 scenarios for evaluating multi-user, multi-agent coordination.
• Abstract（参考訳）: 人々はAIエージェントにタスクを委譲する傾向にあり、それらのエージェントはコードベースやカレンダー、予算といった共有リソースに対して、他の人のエージェントと遭遇する傾向にある。 それぞれのエージェントが異なる目標を持った異なるユーザのために行動する場合、コーディネーションが失敗することが多く、ひとつのエージェントが全員のために行動していた場合よりも、グループは悪化する。 エージェントが計算予算を共有するAPIキー環境,カレンダーを共有するクリニック,グループ注文や予約を共有するパーソナルアシスタント環境,リリースカットオフを共有するマージキューである。 各シナリオにおいて、各ユーザー(コーディネータ)にサービスを提供する単一のエージェントを、各エージェントが1人のユーザに仕えるチームと比較する。 チャネルがなければ、彼らは2つの環境で完全に崩壊します。 例えば、パーソナルアシスタント環境では、コーディネータが目標とするユーザ要求を、チームの約2倍の頻度で実行します。 私たちは、チームが成長するにつれて停滞し、お互いの行動を覆い、クレームを作るなど、この貧弱なグループレベルのパフォーマンスにまつわる異なる行動を特定します。 私たちは、チームリーダー、明示的な手続き指示、エージェントがコミットする前に仲間のメッセージを読ませるプラットフォームチェックなど、効果的だが環境に特有な緩和策を見つけます。 マルチユーザ,マルチエージェントのコーディネーションを評価するための74のシナリオを含むMAMUBenchとして,APIキー,クリニック,パーソナルアシスタント環境をリリースする。

関連論文リスト

• When Agents Coordinate: Measuring Coordination in Multi-Agent AI Coding [5.434361299116438]
  我々は、AIコーディングエージェントのチームがプログラミングタスクを解きながらどのように協調するかを研究する。 現在の評価は通常、エージェントがタスクを完了し、実行コストを報告します。 私たちはこの調整を測る道具を紹介します。 各実行は、エージェントとファイルがノードである時間的ネットワークとして表現され、メッセージ、ファイル書き込み、ファイル読み込みは、関連するコストでタイムスタンプされた指向エッジである。
  論文  参考訳（メタデータ） (2026-08-17T16:57:38Z)
• 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)
• Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
  大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。 本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
  論文  参考訳（メタデータ） (2026-05-07T14:19:17Z)
• Multi-Agent Collaboration via Cross-Team Orchestration [31.506350304184526]
  大規模言語モデル(LLM)は、特に組織化された自律エージェントを通じて、様々なドメインに大きな影響を与えている。 これはスケーラブルなマルチチームフレームワークで、オーケストレーションされたチームはさまざまなタスク指向のソリューションを共同で提案できる。 実験では、最先端のベースラインと比較して、ソフトウェアの品質が顕著に向上している。
  論文  参考訳（メタデータ） (2024-06-13T10:18:36Z)
• AutoAgents: A Framework for Automatic Agent Generation [27.74332323317923]
  AutoAgentsは、さまざまなタスクに応じてAIチームを構築するために、複数の専門エージェントを適応的に生成し、コーディネートする革新的なフレームワークである。 各種ベンチマーク実験により,AutoAgentsは既存のマルチエージェント手法よりも一貫性と正確な解を生成することが示された。
  論文  参考訳（メタデータ） (2023-09-29T14:46:30Z)
• AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors [93.38830440346783]
  本稿では,その構成をより高機能なシステムとして協調的に調整できるマルチエージェントフレームワークを提案する。 実験により,フレームワークが単一エージェントより優れたマルチエージェントグループを効果的に展開できることが実証された。 これらの振舞いの観点から、我々は、ポジティブなものを活用し、ネガティブなものを緩和し、マルチエージェントグループの協調可能性を改善するためのいくつかの戦略について議論する。
  論文  参考訳（メタデータ） (2023-08-21T16:47:11Z)
• 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。