論文の概要: Proactive Agentic Orchestration

• arxiv url: http://arxiv.org/abs/2610.13485v1
• Date: Fri, 09 Oct 2026 12:18:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.564147
• Title: Proactive Agentic Orchestration
• Title（参考訳）: プロアクティブ・エージェント・オーケストレーション
• Abstract要約: オンザフライでプロアクティブ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Purchestraを紹介します。 これは、サブエージェントがオーケストレータと積極的に通信することを可能にする。 また、後からのフィードバックに基づいて、オン・ポリシィオーケストレーション蒸留(OPOD)を自然にインスピレーションする。
• 参考スコア（独自算出の注目度）: 29.89545386700873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic orchestration delegates tasks to sub-agents with independent contexts, providing a key path to extending the effective execution horizon of large language model agents. However, existing orchestration methods face two limitations: in execution, current methods fix sub-agents' goals and harnesses at creation time, limiting their adaptability to dynamic real-world environments; in optimization, sparse and delayed feedback constrains effective learning of the orchestration policy. To address these limitations, we introduce POrchestra, an on-the-fly proactive agentic orchestration framework. It allows sub-agents to proactively communicate with the orchestrator at any logical point to request harness adjustments while maintaining continuity of local execution. This mechanism not only enables sub-agents to adapt seamlessly to dynamic environments but also naturally inspires On-Policy Orchestration Distillation (OPOD) based on hindsight feedback. OPOD attributes sub-agents' proactive revision requests back to preceding orchestration decisions to derive targeted improvement signals, and leverages these signals as process supervision alongside the final reward to optimize the orchestration policy. We evaluate POrchestra on three long-horizon agent benchmarks spanning deep research, dynamic digital assistance, and software engineering. POrchestra improves task success by an average of 9.1% relative to the strongest baseline; combined with OPOD, it improves small-orchestrator success by an average of 10.0% relative to existing training baselines. POrchestra also achieves a more favorable cost-performance trade-off. Our code is publicly available at https://github.com/XueyangFeng/POrchestra.
• Abstract（参考訳）: エージェントオーケストレーションは、タスクを独立したコンテキストを持つサブエージェントに委譲する。 しかし、既存のオーケストレーションメソッドは、実行時に、現在のメソッドがサブエージェントの目標を修正し、作成時に利用し、動的現実世界環境への適応性を制限するという2つの制限に直面している。 これらの制限に対処するために、オンザフライでプロアクティブ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Purchestraを紹介します。 サブエージェントは任意の論理点においてオーケストレータと積極的に通信し、局所的な実行の継続性を維持しながら調整を要求できる。 このメカニズムは、サブエージェントが動的環境にシームレスに適応できるだけでなく、後向きのフィードバックに基づいて、自然にオン・ポリシィオーケストレーション蒸留(OPOD)を刺激する。 OPODは、サブエージェントの前向きなリビジョン要求を、目標とする改善シグナルを導出するために、オーケストレーションポリシを最適化する最終報酬とともに、これらのシグナルをプロセスの監視として利用している。 我々はPurchestraを3つのロングホライズンエージェントベンチマークで評価し、深層研究、動的デジタルアシスト、ソフトウェア工学を網羅した。 POrchestraは、最強のベースラインに対して平均9.1%のタスク成功を向上し、OPODと組み合わせることで、既存のトレーニングベースラインと比較して平均10.0%の小さなオーケストレーター成功を改善する。 POrchestraはまた、より好ましいコストパフォーマンストレードオフを実現している。 私たちのコードはhttps://github.com/XueyangFeng/POrchestra.comで公開されています。

関連論文リスト

• 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)
• SceneOrchestra: Efficient Agentic 3D Scene Synthesis via Full Tool-Call Trajectory Generation [13.62882510697547]
  3Dシーン作成のためのトレーニング可能なオーケストレーションフレームワークであるSceneOrchestraを提案する。 SceneOrchestraはオーケストレータと識別器で構成されており、2段階のトレーニング戦略で微調整します。 本手法は,従来の作業に比べて実行時間を短縮しつつ,最先端のシーン品質を実現する。
  論文  参考訳（メタデータ） (2026-04-21T18:33:15Z)
• 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)
• SkillOrchestra: Learning to Route Agents via Skill Transfer [65.50924963973286]
  スキルを意識したオーケストレーションのためのフレームワークであるSkillOrchestraを紹介します。 SkillOrchestraは、実行経験からきめ細かいスキルを学び、それらのスキルの下でエージェント固有の能力とコストをモデル化する。 デプロイメントでは、オーケストレータが現在のインタラクションのスキル要件を推測し、明示的なパフォーマンスコストトレードオフの下でそれらを最も満足するエージェントを選択する。
  論文  参考訳（メタデータ） (2026-02-23T10:17:25Z)
• AOrchestra: Automating Sub-Agent Creation for Agentic Orchestration [36.04766562662082]
  AOrchestraはフレームワークに依存しないエージェント抽象化で、任意のエージェントをインストラクション、コンテキストツール、モデルとしてモデル化する。 タスク関連コンテキスト、ツール、モデルをキュレートし、オンザフライで自動エージェント生成を通じて実行を委譲する。 AOrchestraはGeminiと組んで最強のベースラインに対して16.28%の相対的な改善を達成した。
  論文  参考訳（メタデータ） (2026-02-03T17:46:16Z)
• 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)
• SDPO: Segment-Level Direct Preference Optimization for Social Agents [56.970902914217156]
  大規模言語モデル(LLM)を利用した社会エージェントは、人間の社会的振る舞いをシミュレートできるが、複雑な社会対話を扱うには不十分である。 マルチターンエージェントの動作を最適化するために,対話内のキーセグメントを動的に選択するセグメントレベル直接参照最適化(SDPO)を提案する。
  論文  参考訳（メタデータ） (2025-01-03T14:09:46Z)

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。