論文の概要: Pay for the Fault, Not the Flow: Label-Free In-Flow Multi-Agent Workflow Optimization

• arxiv url: http://arxiv.org/abs/2610.01017v2
• Date: Fri, 02 Oct 2026 20:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:43:28.510436
• Title: Pay for the Fault, Not the Flow: Label-Free In-Flow Multi-Agent Workflow Optimization
• Title（参考訳）: フローではなくフォールトへの支払い:ラベルなしインフローマルチエージェントワークフロー最適化
• Abstract要約: InFlowOpは、エージェントの能力がエージェントが実行に要する時間に対してサブタスクが要求するものにどの程度満足するかを測る1つのラベルフリーなコストで、すべての決定を価格に設定する。 実行中、InFlowOpは、ビルド時と実行時の両方でワークフローを提供するのと同じコストで、最も安い動きの失敗を修正する。 さまざまなドメインやバックボーンを通じて、InFlowOpは単一のエージェントベースラインを最大$+11.97%$でパフォーマンスし、インフロー最適化で$+9.64%$を達成した。
• 参考スコア（独自算出の注目度）: 37.560391408471595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) increasingly construct multi-agent workflows that decompose a complex task and assign specialist agents from a pool. However, building such a workflow well remains challenging: how finely to divide the task, which agent to trust with each subtask, and when to create a new specialist are all critical decisions a workflow constructor needs to settle up front. Thus, whether each subtask succeeds remains unknown until the workflow runs. Yet, improving a workflow is costly. Locating a fault usually requires a reference answer, a graded outcome, or a trained assessor, and the fix is applied to the whole workflow through re-execution, re-search, or retraining. We propose InFlowOp, which prices every decision in one label-free cost that weighs how well an agent's competence meets what a subtask demands against how much that agent takes to run. Before execution, InFlowOp bidirectionally determines the granularity of task decomposition and agent assignment following from the cost rather than from a fixed template. During execution, InFlowOp corrects a fault with the cheapest move via the same cost that serves the workflow both as it is built and as it runs. Facing the workflow-level evaluation challenge, we introduce Braid, a benchmark whose tasks require multi-agent coordination beyond single-agent capability. Across various domains and backbones, InFlowOp outperforms single agent baselines by up to $+11.97\%$, achieving $+9.64\%$ with in-flow optimization. Our project page: https://xhguo7.github.io/InFlowOp/.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、複雑なタスクを分解し、専門家エージェントをプールから割り当てるマルチエージェントワークフローを構築している。 しかし、このようなワークフローの構築は、いかにタスクを分割するか、どのエージェントが各サブタスクを信頼するか、いつ新しいスペシャリストを作るかは、ワークフローコンストラクタが事前に解決しなければならない重要な決定である。 したがって、各サブタスクが成功するかどうかはワークフローが実行されるまで不明である。 しかし、ワークフローの改善にはコストがかかる。 障害の所在は、通常、基準回答、グレードされた結果、または訓練された評価器を必要とし、修正は再実行、再調査、再トレーニングを通じてワークフロー全体に適用される。 InFlowOpは,エージェントの能力がエージェントが実行に要する時間に対してサブタスクが要求するものにどの程度満足するかを測る,ラベルフリーなコストですべての決定を価格設定する。 実行前にInFlowOpは、固定テンプレートからではなく、コストからタスク分解とエージェント割り当ての粒度を双方向に決定する。 実行中、InFlowOpは、ビルド時と実行時の両方でワークフローを提供するのと同じコストで、最も安い動きの失敗を修正する。 ワークフローレベルの評価課題に直面したBraidは、単一エージェント機能以上のマルチエージェント調整を必要とするベンチマークである。 さまざまなドメインやバックボーンにわたって、InFlowOpは単一のエージェントベースラインを最大$+11.97\%$でパフォーマンスし、インフロー最適化で$+9.64\%$を達成する。 私たちのプロジェクトページは、https://xhguo7.github.io/InFlowOp/です。

関連論文リスト

• It Takes Workflows to Evolve Better Workflows [45.107534542511765]
  FloWrightは階層的な構造対応報酬パラダイムで、1つのロールが自己進化し、2つ以上のロールが共進化し、追加のモデル、ラベル、実行が存在しない。 ドキュメント、スライド、チャート、コード、数学、ファイナンスタスク全体にわたって、FloWrightで訓練された小さなオープンモデルは、最大で7.41%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-10-01T04:15:49Z)
• Designing Agentic AI Workflow Portfolios under Imperfect Selection and Compute Cost [6.605722864302966]
  本稿では,企業が複数のワークフローを実行するポートフォリオ・アンド・セレクタパラダイムについて検討し,最終回答を選択する。 我々は、正確な定式化、線形プログラミング緩和、ランダム化されたラウンドリング手順、計算可能な性能証明を開発する。 最高のスタンドアロンワークフローとは対照的に、ポートフォリオ最適化では、それぞれ3.1、7.5、0.9ポイントのホールドアウトセレクタ精度が向上している。
  論文  参考訳（メタデータ） (2026-09-16T05:02:11Z)
• FlowBank: Query-Adaptive Agentic Workflows Optimization through Precompute-and-Reuse [58.80348559239392]
  大規模言語モデル(LLM)ベースのマルチエージェントシステムはますます強力になっている。 タスクレベルのメソッドはかなりのオフライン計算に費やしますが、単一のワークフローのみをデプロイします。 クエリレベルのメソッドは、クエリ毎の新しいワークフローを相当なコストで合成する。 本稿では,ポートフォリオベースのエージェントワークフロー最適化フレームワークであるFlowBankを紹介する。
  論文  参考訳（メタデータ） (2026-06-09T17:58:21Z)
• Learning to Compose for Cross-domain Agentic Workflow Generation [56.630382886594184]
  クロスドメインワークフロー生成のためのオープンソースのLLMを作成します。 さまざまなドメインにわたる再利用可能なワークフロー機能のコンパクトなセットを学びます。 当社の1パスジェネレータは、20イテレーションを消費するSOTAリファインメントベースラインを超えています。
  論文  参考訳（メタデータ） (2026-02-11T18:27:22Z)
• Do We Always Need Query-Level Workflows? Rethinking Agentic Workflow Generation for Multi-Agent Systems [72.3575737073235]
  マルチエージェントシステム(MAS)は、複数のエージェントを協調することで複雑なタスクを解決する。 既存のアプローチはタスクレベルかクエリレベルで生成されるが、その相対的なコストと利点は未だ不明である。 クエリレベルのワークフロー生成は必ずしも必要ではない、なぜなら、トップKレベルのタスクレベルの小さなセットが、すでに同等あるいはそれ以上のクエリをカバーしているからだ。
  論文  参考訳（メタデータ） (2026-01-16T10:05:51Z)
• DyFlow: Dynamic Workflow Framework for Agentic Reasoning [79.19799197382478]
  DyFlowは動的ワークフロー生成フレームワークで、タスク要求とリアルタイム中間フィードバックに基づいて推論手順を適応的に構築し、調整する。 社会的推論,生物医学的タスク,数学的問題解決,コード生成など,さまざまな領域でDyFlowを体系的に評価する。 結果は、DyFlowが既存のベースラインを大幅に上回り、Pass@kの改善を実現し、さまざまなドメインにわたって堅牢な一般化を示すことを示した。
  論文  参考訳（メタデータ） (2025-09-30T10:36:23Z)

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。