論文の概要: Decoupled Multi-Agent Orchestration

• arxiv url: http://arxiv.org/abs/2610.07556v1
• Date: Tue, 06 Oct 2026 00:41:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.725306
• Title: Decoupled Multi-Agent Orchestration
• Title（参考訳）: 疎結合多エージェントオーケストレーション
• Abstract要約: 具体的な作業者選択から作業者に依存しないプランニングを分離するDeOrchを紹介する。 その2段階のプランナーは、まず作業者情報なしでタスクを分解し、その後、プールからのコンパクトで作業者同一性のない適合性フィードバックを使用してコラボレーション操作を選択する。 軽量なマーカは、固定されたプローブセットの動作から作業者の適合性を推定し、コンテキスト的バンディットでオンラインで適応することにより、プランナやマーカを再トレーニングすることなく、新しい作業員を組み込むことができる。
• 参考スコア（独自算出の注目度）: 5.432688539756747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learned orchestration can automatically construct effective language-model multi-agent systems, but existing approaches couple planning to fixed worker pools and train decomposition and collaboration from the same terminal outcome, limiting transfer and obscuring credit assignment. We introduce DeOrch, which separates worker-agnostic planning from concrete worker selection. Its two-stage planner first decomposes the task without worker information, then chooses collaboration operations using compact, worker-identity-free matchability feedback from the pool, enabling conditional credit assignment to decomposition and collaboration decisions. A lightweight matcher estimates worker suitability from behavior on a fixed probe set and adapts online with a contextual bandit, allowing new workers to be incorporated without retraining the planner or matcher. Across diverse in- and out-of-distribution tasks, DeOrch outperforms prior automatic MAS orchestration methods with fewer worker calls than competing learned orchestrators, remains effective when transferred to an entirely unseen worker pool without retraining, and shows consistent gains from both components.
• Abstract（参考訳）: 学習されたオーケストレーションは、効果的な言語モデルマルチエージェントシステムを自動的に構築することができるが、既存のアプローチでは、ワーカープールの固定と、同じ端末結果からの列車の分解と協調、転送の制限、クレジットの割り当ての回避が計画されている。 具体的な作業者選択から作業者に依存しないプランニングを分離するDeOrchを紹介する。 その2段階プランナーは、まず、作業者情報なしでタスクを分解し、その後、プールからのコンパクトで作業者同一性のない適合性フィードバックを使用してコラボレーション操作を選択し、条件付きクレジットによる分解と協調決定を可能にする。 軽量なマーカは、固定されたプローブセットの動作から作業者の適合性を推定し、コンテキスト的バンディットでオンラインで適応することにより、プランナやマーカを再トレーニングすることなく、新しい作業員を組み込むことができる。 さまざまなイン・オブ・アウト・ディストリビューションタスクにわたって、DeOrchは、競合する学習オーケストレータよりもワーカコールが少なく、以前のMASオーケストレーションメソッドよりもパフォーマンスが優れており、トレーニングなしで完全に見えないワーカプールに移行しても有効であり、両方のコンポーネントから一貫した利得を示している。

関連論文リスト

• WorkflowOps: Learning Agent Collaboration Priors for Multi-Agent Workflow Orchestration [51.22290155772135]
  本稿では,エージェントコラボレーションの過去の履歴を学習し,必要に応じてエージェントプールを拡張して,新たな機能要件をカバーするマルチエージェントワークフローオーケストレーションフレームワークを提案する。 混合コード、数学、質問回答スイートの実験によると、Opsはワークフロー構築ベースラインよりもエンドツーエンドのパスレートを改善しており、過去のエージェントハンドオフパターンが転送される構造化された非コンパイル可能なタスクで最大の利益を得ている。
  論文  参考訳（メタデータ） (2026-10-06T07:01:38Z)
• Orchestra-o1: Omnimodal Agent Orchestration [72.34907006336108]
  Orchestra-o1は、複数のモダリティをまたいだ効率的なエージェントコラボレーションをサポートするように設計された、オムニモーダルなエージェントオーケストレーションフレームワークである。 本研究は,モダリティを意識したタスクの分解,オンラインサブエージェントの特殊化,並列サブタスク実行を可能にする統一的なオーケストレーション機構を導入する。 このスケーラブルな設計により、エージェントシステムは異種情報ソースを含む複雑な現実世界のタスクに効果的に取り組むことができ、OmniGAIAベンチマークの精度は10.3%向上した。
  論文  参考訳（メタデータ） (2026-06-10T04:50:35Z)
• LEMON: Learning Executable Multi-Agent Orchestration via Counterfactual Reinforcement Learning [31.870185345616733]
  大規模言語モデル(LLM)はマルチエージェントシステムの強力な基盤となっているが、その効果はオーケストレーション設計に大きく依存している。 実行可能なオーケストレーション仕様を生成するオーケストレータであるLEMONを提案する。 MMLU、GSM8K、AQuA、MultiArith、SVAMP、HumanEvalを含む6つの推論およびコーディングベンチマークの実験は、LEMONが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-05-14T07:24:09Z)
• 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)
• Uno-Orchestra: Parsimonious Agent Routing via Selective Delegation [29.295002935617433]
  タスクを選択的に分解し,各サブタスクを許容可能なペアにディスパッチする統合オーケストレーションポリシであるUno-Orchestraを導入する。 Uno-Orchestraは77.0%のマクロパス@1に達しており、ワークフローベースラインよりも約16%高い。
  論文  参考訳（メタデータ） (2026-05-06T15:07:14Z)
• Small Model as Master Orchestrator: Learning Unified Agent-Tool Orchestration with Parallel Subtask Decomposition [61.291733522717415]
  Agent-as-Toolは並列オーケストレーションのパラダイムであり、エージェントとツールの両方を標準化された学習可能なアクション空間に緩和する。 ParaManagerは、サブタスク解決から計画決定を分離し、ステート対応の並列サブタスク分解、デリゲート、非同期実行を可能にする。 実験により、ParaManagerは複数のベンチマークで高い性能を示し、目に見えないモデルプールの下で堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2026-04-18T14:41:27Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)

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。