論文の概要: Competence-Aware Orchestration for LLM-Based Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2610.13144v1
• Date: Fri, 09 Oct 2026 07:33:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.456142
• Title: Competence-Aware Orchestration for LLM-Based Multi-Agent Systems
• Title（参考訳）: LLMに基づくマルチエージェントシステムのためのコンピテンス・アウェア・オーケストレーション
• Abstract要約: 自動MASオーケストレーションのための能力認識フレームワークを提案する。 LLMバックボーンの現在のクエリに対するタスク条件付きコンピテンスをモデル化する。 次に、この信号を使って役割活性化と通信グラフを適用する。
• 参考スコア（独自算出の注目度）: 36.740230738304525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based multi-agent systems (MAS) have emerged as a promising paradigm for enhancing complex reasoning through role specialization and collaboration, yet a key challenge remains: how can collaboration be adapted to a backbone's competence on the current query? This problem matters because more collaboration is not always better--richer coordination may help on difficult cases, but it also incurs additional token cost and redundant interactions. We propose a two-stage competence-aware framework for automatic MAS orchestration. It first models the LLM backbone's task-conditioned competence for the current query, and then uses this signal to adapt role activation and the communication graph. Across six benchmarks, our method achieves an average score of 93.81%. Experiments with six LLM backbones of varying competence levels further show that our method adjusts collaboration according to the inferred competence: for higher-competence backbones, it improves average accuracy from 87.22 to 89.97 while reducing token cost by 36.26%; for lower-competence backbones, it yields a further average gain of 4.58 points over existing methods. The same trend also holds on unseen backbones.
• Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)は、役割の専門化とコラボレーションを通じて複雑な推論を強化するための有望なパラダイムとして登場したが、重要な課題が残っている。 よりリッチな調整が難しいケースに役立つだけでなく、追加のトークンコストと冗長な相互作用も生じます。 自動MASオーケストレーションのための2段階の能力認識フレームワークを提案する。 まず、LLMバックボーンの現在のクエリに対するタスク条件付きコンピテンスをモデル化し、次にこのシグナルを使用してロールアクティベーションと通信グラフを適応させる。 6つのベンチマークで平均スコアは93.81%に達した。 コンピテンスレベルの異なる6つのLDMバックボーンを用いた実験により,提案手法は高いコンピテンス・バックボーンにおいて,トークンコストを36.26%削減しつつ,平均精度を87.22から89.97に向上し,既存の手法よりも平均4.58ポイント向上した。 同じ傾向は、目に見えないバックボーンにも当てはまる。

関連論文リスト

• Token-Efficient Multi-Agent Collaboration via System One-Guided Computational Division of Labor [11.727979650526896]
  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。
  論文  参考訳（メタデータ） (2026-10-06T11:11:05Z)
• 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)
• 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)
• MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
  MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。 MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)
• Smurfs: Multi-Agent System using Context-Efficient DFSDT for Tool Planning [14.635361844362794]
  Smurfsは、DFSDTをモジュール的で、文脈効率が高く、トレーニング不要な設計で強化する新しいマルチエージェントシステムである。 Smurfsは、オープンエンドのStableToolBenchとクローズドエンドのHotpotQAタスクのベースラインメソッドを上回っている。
  論文  参考訳（メタデータ） (2024-05-09T17:49:04Z)
• Compresso: Structured Pruning with Collaborative Prompting Learns Compact Large Language Models [15.471290825100075]
  我々はCompressoと呼ばれる大規模言語モデルを構築するための新しいパラダイムを導入する。 提案手法は,資源効率の高いプルーニングアルゴリズムとLLM自体の協調により,学習過程における最適プルーニング決定を学習する。 実験では、Compressoは様々な空間比でワンショットプルーニングベースラインを著しく上回り、それぞれ2.21%、11.43%、7.04%、および4.81%のスコアをコモンセンス推論、読解理解、MMLU、BBHベンチマークで達成している。
  論文  参考訳（メタデータ） (2023-10-08T05:16:28Z)
• Softmax with Regularization: Better Value Estimation in Multi-Agent Reinforcement Learning [72.28520951105207]
  q$-learningの過大評価は、シングルエージェント強化学習で広く研究されている重要な問題である。 ベースラインから逸脱する大きな関節動作値をペナライズする,新たな正規化ベースの更新方式を提案する。 本手法は,StarCraft IIマイクロマネジメントの課題に対して,一貫した性能向上を実現する。
  論文  参考訳（メタデータ） (2021-03-22T14:18:39Z)

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。