論文の概要: Token-Efficient Multi-Agent Collaboration via System One-Guided Computational Division of Labor
- arxiv url: http://arxiv.org/abs/2610.08155v1
- Date: Tue, 06 Oct 2026 11:11:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.957649
- Title: Token-Efficient Multi-Agent Collaboration via System One-Guided Computational Division of Labor
- Title（参考訳）: システムワンガイド型労働計算部門による効率的な多エージェント連携
- Abstract要約: 大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は複雑な情報検索や推論タスクにおいて有望なパラダイムとなっている。
トークン効率のよいマルチエージェントフレームワークであるS1-MASを提案する。
- 参考スコア（独自算出の注目度）: 11.727979650526896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM)-based multi-agent systems (MAS) have become a promising paradigm for complex information-seeking and reasoning tasks by enabling collaborative problem solving among specialized agents. However, existing MAS frameworks tightly couple task reasoning with coordination operations, including task selection, role assignment, message routing, and context management. As interactions grow, using powerful LLMs for these bounded control decisions introduces substantial token overhead and latency, limiting the scalability of agentic Web services. In this paper, we investigate whether coordination can be decoupled from expensive reasoning without compromising collaborative performance. We propose S1-MAS, a token-efficient multi-agent framework based on System One-guided computational division of labor. S1-MAS assigns bounded coordination decisions to lightweight System One models while reserving open-ended reasoning for capable LLM workers. Specifically, a lightweight controller selects inspection conditions, chooses subsequent tasks, and determines termination, while a compact reader retrieves condition-relevant evidence from authorized sources to support these decisions. Through a decision-evidence loop, selected tasks dynamically determine worker roles and source access, enabling adaptive collaboration without task-specific training. Extensive experiments on seven diverse benchmarks demonstrate that S1-MAS achieves superior accuracy while substantially reducing the inference cost. Across individual comparisons with AgentVerse, DyLAN, and SelfOrg on seven benchmarks, S1-MAS reduces GPT-4o token consumption by 44.9%-97.2% and measured end-to-end latency by 37.8%-93.0%. These results highlight its potential for scalable and cost-effective agentic Web applications.
- Abstract（参考訳）: 大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は, 特殊エージェント間の協調的問題解決を可能とし, 複雑な情報検索や推論タスクにおいて有望なパラダイムとなっている。
しかし、既存のMASフレームワークは、タスク選択、ロール割り当て、メッセージルーティング、コンテキスト管理を含む調整操作とタスク推論を密に結合している。
インタラクションが拡大するにつれて、これらの境界付けられた制御決定に強力なLLMを使用することで、エージェントWebサービスのスケーラビリティが制限される、相当なトークンのオーバーヘッドとレイテンシが発生します。
本稿では,協調性能を損なうことなく,コーディネーションを高価な推論から切り離すことができるかどうかを検討する。
トークン効率のよいマルチエージェントフレームワークであるS1-MASを提案する。
S1-MASは、有能なLLM労働者に対するオープンエンド推論を保ちながら、境界調整決定を軽量のSystem Oneモデルに割り当てる。
具体的には、軽量コントローラが検査条件を選択し、その後のタスクを選択し、終了を判定し、コンパクトリーダが許可されたソースから条件関連証拠を検索してこれらの決定を支援する。
意思決定ループを通じて、選択されたタスクがワーカーの役割とソースアクセスを動的に決定し、タスク固有のトレーニングなしで適応的なコラボレーションを可能にする。
S1-MASは推定コストを大幅に削減しつつ、より優れた精度を達成できることを示す。
AgentVerse、DyLAN、SelfOrgと7つのベンチマークで比較した結果、S1-MASはGPT-4oトークンの消費を44.9%-97.2%削減し、エンドツーエンドのレイテンシを37.8%-93.0%削減した。
これらの結果は、スケーラブルで費用対効果の高いエージェントWebアプリケーションの可能性を強調している。
関連論文リスト
- DEALS: Decentralized Expertise-Aware Load Serving for Multi-Agent LLM Systems [13.034974189941465]
マルチエージェントシステム (MAS) は, 大規模言語モデル (LLM) に基づくエージェントを協調して, 構造的相互作用によって複雑なタスクを解くための効果的な手法として最近登場した。
エージェントが並列タスクを自律的かつ動的にルーティングすることを可能にする分散かつ低複雑さのフレームワークである分散エキスパート・アウェアを提案する。
論文 参考訳（メタデータ） (2026-09-27T17:09:42Z) - EASy: Towards Efficient LLM-Based Agentic System [54.10819421625103]
強化学習によるタスク性能と計算効率を協調的に最適化する訓練可能なエージェントフレームワークであるEASyを提案する。
EASyはLLMベースのオーケストレータに異種エグゼキュータの能力とコストプロファイルを明確に把握し、パフォーマンスのみのルーティング以上のコンテキスト依存的な調整を可能にする。
さらに、複雑なタスクを管理可能なマイルストーンに分解し、依存性を意識した実行グラフを構築し、適切なエグゼキュータを割り当て、その後の決定を中間的な結果に適用しながら、独立したステップを並列化するマイルストーン計画実行ワークフローも導入されている。
論文 参考訳（メタデータ） (2026-08-05T08:50:36Z) - OrgAgent: Organize Your Multi-Agent System like a Company [75.47076168155817]
企業スタイルの階層型マルチエージェントフレームワークであるOrgAgentを紹介します。
企業スタイルの階層で組織されたマルチエージェントシステムは、一般的に他の組織構造よりも優れています。
論文 参考訳（メタデータ） (2026-04-01T15:21:14Z) - Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning [68.85408801740228]
協調型マルチエージェント強化学習問題としてトポロジ選択を再構成する強化学習フレームワークである textbfAgent Q-Mix を提案する。
提案手法は,Qmix値分解を用いて分散化された通信決定を学習し,各エージェントがラウンドワイド通信グラフを共同生成する一連の通信行動から選択する。
エージェントQ-Mixは,エージェント故障に対して優れたトークン効率とロバスト性を示しながら,既存手法と比較して高い平均精度を達成する。
論文 参考訳（メタデータ） (2026-04-01T00:38:24Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。
経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。
推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
論文 参考訳（メタデータ） (2025-05-29T07:24:37Z) - LLM-Agent-Controller: A Universal Multi-Agent Large Language Model System as a Control Engineer [2.4392539322920763]
LLM-Agent-Controllerは制御工学の幅広い問題に対処するために開発された多エージェント大言語モデル(LLM)システムである(制御理論)。
監督官は高いレベルの意思決定とワークフローの調整を監督し、システムの信頼性と効率を高める。
ユーザーは制御理論の事前知識を必要とせず、平易な言語で問題を入力し、完全なリアルタイムソリューションを受信できるように設計されている。
論文 参考訳（メタデータ） (2025-05-26T06:30:13Z) - Two Heads are Better Than One: Test-time Scaling of Multi-agent Collaborative Reasoning [29.580108004844856]
大規模言語モデル(LLM)上に構築されたマルチエージェントシステム(MAS)は、複雑で現実的なタスクを解決するための有望な道を提供する。
テストタイムスケーリング(TTS)の最近の進歩は、難解な推論タスクにおいて、シングルエージェントのパフォーマンスを大幅に改善した。
モデルレベルのトレーニングとシステムレベルの調整の両方を通じて協調推論を強化するために設計された適応型マルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-14T00:27:45Z) - Collaboration Dynamics and Reliability Challenges of Multi-Agent LLM Systems in Finite Element Analysis [3.437656066916039]
インターエイジェントダイナミクスが推論の品質と信頼性にどのように影響するかは、まだ不明である。
線形弾性有限要素解析(FEA)のためのAutoGenベースのマルチエージェントフレームワークを用いたこれらのメカニズムについて検討する。
1,120のコントロールされたトライアルから、コラボレーションの有効性は、チームのサイズよりも機能的な相補性に依存することが分かりました。
論文 参考訳（メタデータ） (2024-08-23T23:11:08Z) - A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。
具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。
我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
論文 参考訳（メタデータ） (2023-10-03T16:05:48Z)
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。