論文の概要: The Cost of a Hop: Benchmarking NLIP and A2A

• arxiv url: http://arxiv.org/abs/2610.04053v1
• Date: Fri, 02 Oct 2026 21:04:30 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:04:51.627522
• Title: The Cost of a Hop: Benchmarking NLIP and A2A
• Title（参考訳）: ホップのコスト:NLIPとA2Aのベンチマーク
• Abstract要約: 自然言語対話プロトコル(NLIP)とエージェント・ツー・エージェントプロトコル(A2A)を比較した。 軽量なコーディネーションでは、NLIPはベースラインのA2A SDK実装よりも8.4-9.6倍高速である。 本報告では, 残差送受信コストの因果関係を考慮せずに, 測定条件として報告する。
• 参考スコア（独自算出の注目度）: 0.492959219233944
• License:
• Abstract: Autonomous agents built on Large Language Models (LLMs) need standardized protocols to interoperate across systems. Several now exist (A2A, MCP, ACP, ANP, NLIP), but the Natural Language Interaction Protocol (NLIP) has not appeared in any controlled performance study, and no work has measured where an agent protocol's latency is spent. We compare NLIP and the Agent-to-Agent (A2A) protocol empirically, decomposing latency into message creation, connection, and send phases across three independent hardware environments. For lightweight coordination, NLIP is 8.4-9.6x faster than the baseline A2A SDK implementation on two environments and about 4x on a third; the direction of the advantage is consistent, its magnitude depends on the hardware. The advantage is stage-specific: for the end-to-end pipeline, where LLM inference dominates, the protocols are near parity. The difference comes almost entirely from connection setup. To test A2A at its best, we also ran A2A SDK with connection caching enabled; caching narrows its gap with NLIP by a hardware-dependent amount, from 2.75x on one machine to near-parity on faster hardware, where at scale a cache-optimized A2A-SDK matches NLIP. We report these as measured conditions without a single causal account of the residual send-phase cost. Against the more optimized Python-A2A, NLIP leads by about 4x on the same stage. We close with a protocol-selection guide keyed to workload characteristics.
• Abstract（参考訳）: LLM(Large Language Models)上に構築された自律エージェントは、システム間で相互運用するための標準化されたプロトコルを必要とする。 現在、いくつかの言語(A2A, MCP, ACP, ANP, NLIP)が存在するが、NLIP(Natural Language Interaction Protocol)は、制御されたパフォーマンス研究には現れておらず、エージェントプロトコルのレイテンシを計測する作業は行われていない。 NLIP と Agent-to-Agent (A2A) プロトコルを経験的に比較し、レイテンシをメッセージ生成、接続、送信フェーズに分解する。 軽量調整では、NLIPは2つの環境におけるベースラインのA2A SDK実装よりも8.4-9.6倍高速で、3分の1で約4倍高速である。 LLM推論が支配的なエンドツーエンドパイプラインでは、プロトコルは同等に近い。 この違いは、ほぼ完全に接続設定から生じます。 A2Aを最大限にテストするために、コネクションキャッシュを有効にしたA2A SDKも実行しました。キャッシュはハードウェア依存の量でNLIPとのギャップを狭めます。 本報告では, 残差送受信コストの因果関係を考慮せずに, 測定条件として報告する。 より最適化されたPython-A2Aに対して、NLIPは、同じステージで約4倍リードする。 ワークロード特性をキーとするプロトコル選択ガイドを近くで実施する。

関連論文リスト

• PEARL: A Lightweight Prompt-based Feature Interpreter Framework for Real-Time, Anonymous, and Heterogeneous Collaborative Perception [4.904389322133549]
  コラボレーティブ・パーセプション(CP)エージェント間の不均一性は、新しいCPフレームワークにとって大きな課題である。 我々は、匿名およびリアルタイム軽量異種CPのためのPEARL(Prompt-Embedding framework)を提案する。 PEARLは複数のCPインタプリタをサポートし、2つの軽量なマルチスケールインタプリタを使用して、新しい結合エージェントの1つをリアルタイムで選択する。
  論文  参考訳（メタデータ） (2026-09-22T22:27:59Z)
• Which LLM Multi-Agent Protocol to Choose? [30.16052895726503]
  タスク成功、エンドツーエンドのレイテンシ、メッセージまたはバイトのオーバーヘッド、障害時の4つの測定可能な軸に沿ってエージェントプロトコルを比較するベンチマークであるProtocolBenchを紹介します。 ProtocolBenchでは、プロトコルの選択がシステムの振る舞いに大きく影響します。 プロトコルコンプリート(Protocol completion)は、要求と実行時信号からシナリオ毎のプロトコルを選択する、学習可能なプロトコルルータである。
  論文  参考訳（メタデータ） (2025-10-20T04:53:19Z)
• Single-click protocols for remote state preparation using weak coherent pulses [0.0]
  リモート状態準備(RSP)は、あるパーティが別のパーティの量子ビット上の既知の量子状態を、絡み合いを使って遠隔で準備することを可能にする。 従来知られていたRSPプロトコルに,弱コヒーレントパルスデバイスを用いた2つの新しいプロトコルを導入する。
  論文  参考訳（メタデータ） (2025-08-20T17:09:20Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• Distributed Inference and Fine-tuning of Large Language Models Over The Internet [91.00270820533272]
  大規模言語モデル(LLM)は、多くのNLPタスクで有用であり、サイズが向上する。 これらのモデルはハイエンドのハードウェアを必要とするため、ほとんどの研究者にはアクセスできない。 本研究では,システムスループットの最大化のためにデバイスを自動的に割り当てるフォールトトレラント推論アルゴリズムとロードバランシングプロトコルを開発する。
  論文  参考訳（メタデータ） (2023-12-13T18:52:49Z)
• High-Throughput Secure Multiparty Computation with an Honest Majority in Various Network Settings [16.242352823823218]
  本稿では,セキュアな3次元計算(3PC)と悪意のある4次元計算(4PC)のためのリング上の新しいプロトコルを提案する。 我々のプロトコルは、パフォーマンスを著しく低下させることなく、パーティ間の複数の弱いネットワークリンクを任意に許容する。 これにより、関連する作業に比べてゲート当たりの基本命令の最大半分を必要とすることで、計算の複雑さを著しく低減する。
  論文  参考訳（メタデータ） (2022-06-08T09:46:37Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• OPANAS: One-Shot Path Aggregation Network Architecture Search for Object Detection [82.04372532783931]
  近年、ニューラルアーキテクチャサーチ (NAS) が特徴ピラミッドネットワーク (FPN) の設計に活用されている。 本稿では,探索効率と検出精度を大幅に向上させる,ワンショットパス集約ネットワークアーキテクチャ探索(OPANAS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T01:48:53Z)

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。