論文の概要: SquidAgent: Parallelize Wisely, Coordinate Efficiently

• arxiv url: http://arxiv.org/abs/2610.08647v1
• Date: Tue, 06 Oct 2026 16:35:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.119673
• Title: SquidAgent: Parallelize Wisely, Coordinate Efficiently
• Title（参考訳）: SquidAgent: 簡潔に並列化し、効率的にコーディネートする
• Abstract要約: LLMベースのエージェントは複雑なマルチステップタスクを解決するが、シーケンシャルな実行にはかなりの遅延が発生する。 クリティカルパスコストに加えて、再探索とアライメントオーバーヘッドが対応するシリアルコストよりも低い場合にのみ、レイヤを並列化すべきである。 SquidAgentは平均スループット2.2$times$、平均スループット2.6$times$、最強のマルチエージェントベースラインよりも2.0$times$のスループット改善を実現している。
• 参考スコア（独自算出の注目度）: 66.64544354706031
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based agents solve complex multi-step tasks, but sequential execution incurs substantial latency. In principle, parallelizing work across multiple agents should yield near-linear speedups. Yet existing parallel multi-agent systems often run slower than a single-agent baseline. We attribute this gap to two hidden costs that parallel execution incurs but a serial agent avoids. First, there is a re-exploration cost: redundant effort spent by parallel workers reconstructing context that the orchestrator already possesses, such as prior decisions, that would otherwise be inherited implicitly in a serial execution. Second, there is an alignment cost: the overhead required to reconcile inconsistencies across independently generated outputs. We thus derive a principled decision criterion: a layer should be parallelized only when its critical-path cost, plus re-exploration and alignment overheads, is lower than the corresponding serial cost. While this criterion is naturally expressed in wall-clock time, we observe that LLMs are poorly calibrated when asked to estimate task duration. To address this, we instead measure cost in predicted output tokens, which we empirically find LLMs can estimate substantially more reliably than wall-clock time. Building on this token-based criterion, we propose SquidAgent. It estimates all token budgets in a single planning step, forks each worker directly from the orchestrator's session to eliminate re-exploration cost, and replaces post-hoc reconciliation with a pre-generated shared convention block that converts alignment into a bounded upfront cost. A deterministic scheduler then applies the criterion layer by layer. Empirically, SquidAgent achieves a 2.2$\times$ mean throughput improvement and a 2.6$\times$ mean wall-time speedup over Claude Code, and a 2.0$\times$ throughput improvement over the strongest multi-agent baseline.
• Abstract（参考訳）: LLMベースのエージェントは複雑なマルチステップタスクを解決するが、シーケンシャルな実行にはかなりの遅延が発生する。 原則として、複数のエージェントを並列化する作業は、ほぼ直線的なスピードアップをもたらす。 しかし、既存の並列マルチエージェントシステムはシングルエージェントベースラインよりも動作が遅いことが多い。 このギャップは並列実行で発生する2つの隠れコストに起因していますが、シリアルエージェントは避けます。 まず、再探索コストがある: 並列ワーカーが費やした冗長な労力は、オーケストレータがすでに保持しているコンテキスト、例えば以前の決定のように、シリアル実行時に暗黙的に継承するコンテキストを再構築する。 第2に、アライメントコスト — 独立して生成されたアウトプット間で不整合を調整するために必要なオーバーヘッド — がある。 そこで我々は,その臨界パスコストと再探索およびアライメントオーバーヘッドが対応するシリアルコストよりも低い場合にのみ,レイヤを並列化するという,原則的決定基準を導出する。 この基準は壁面時間で自然に表されるが,LLMは作業期間を見積もっても校正が不十分である。 この問題を解決するために,予測出力トークンのコストを計測し,LCMがウォールクロック時間よりもほぼ確実に推定できることを実証的に確認した。 このトークンベースの基準に基づいてSquidAgentを提案する。 シングルプランニングステップですべてのトークン予算を見積もり、オーケストレータのセッションから各ワーカーを直接強制して再探索コストを排除し、アライメントをバウンドされた事前コストに変換する共用コンベンションブロックに置き換える。 決定論的スケジューラは、その基準層を層ごとに適用する。 経験的に、SquidAgentは2.2$\times$平均スループット改善と2.6$\times$平均ウォールタイム速度アップをClaude Codeで達成し、2.0$\times$スループットを最強のマルチエージェントベースラインで達成している。

関連論文リスト

• OrchBench: Evaluating Multi-Agent Orchestration Plans in Isolation via Deterministic Simulation [41.885817564161975]
  シミュレーションに基づくマルチエージェントオーケストレーション計画評価ベンチマークであるOrchBenchについて述べる。 決定論的シミュレータは、労働者エージェントを呼び出すことなく、結果の計画を評価し、結果の質、メースパン、トークンコストの解釈可能な尺度を返す。 多様なプランナーやワークフローの規模で見ると、単にエージェントの数を増やすよりも、タスククリティカルな情報を保存することが重要であることが分かります。
  論文  参考訳（メタデータ） (2026-07-28T12:43:34Z)
• ZEBRA: Zero-shot Budgeted Resource Allocation for LLM Orchestration [8.226365534099399]
  連続非線形クナップサック問題に対する多相予算割当を低減するフレームワークであるZEBRAを提案する。 150ドルのAPPS符号化ベンチマークでは、ZEBRAの2つの変種は全ての集計基準においてLLM-directよりも優れていた。 我々は,自律型マルチエージェントシステムの経済行動を改善するために,推論時の軽量なアルゴリズムガイダンスを提案する。
  論文  参考訳（メタデータ） (2026-05-19T20:50:05Z)
• DASA: Delay-Adaptive Multi-Agent Stochastic Approximation [64.32538247395627]
  我々は,N$エージェントが並列に動作し,中央サーバと通信することで,一般的な近似問題を高速化することを目的とした設定を考える。 遅延とストラグラーの効果を軽減するために,マルチエージェント近似のための遅延適応アルゴリズムである textttDASA を提案する。
  論文  参考訳（メタデータ） (2024-03-25T22:49:56Z)
• Acting in Delayed Environments with Non-Stationary Markov Policies [57.52103323209643]
  本稿では,MDPにおける学習と計画のためのフレームワークについて紹介する。 実行が遅れると、元の状態空間における決定論的マルコフポリシーは最大報酬を得るのに十分であるが、非定常である必要があることを証明します。 我々は、状態拡張に頼らずに遅延実行タスクを解く非定常Q学習スタイルのモデルベースアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2021-01-28T13:35:37Z)

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。