論文の概要: Scaling Multi-Agent Intelligence with Substrate-Centric Coordination

• arxiv url: http://arxiv.org/abs/2610.16120v1
• Date: Mon, 12 Oct 2026 03:37:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:37:52.074399
• Title: Scaling Multi-Agent Intelligence with Substrate-Centric Coordination
• Title（参考訳）: 基板中心座標を用いたマルチエージェントインテリジェンスのスケーリング
• Abstract要約: 既存の大規模言語モデル(LLM)ベースのマルチエージェントシステムは、スケーラビリティが低いことが示されている。 エージェントが3つの操作を通じてリンクされたメッセージの共有データストアと対話するScaleMASを構築します。 4つのエージェントタスクにわたって、ScaleMASはエージェント中心およびブラックボードスタイルのベースラインを低い推論計算で上回る。
• 参考スコア（独自算出の注目度）: 81.07621998832299
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing large language model (LLM) based multi-agent systems have been shown to scale poorly, and we identify three problems: reading burden that grows with the group, useful information diluted by shared work of unknown quality, and fragility to failed agents. We argue that the problems are largely due to agent-centric designs: the coordination structure is wired into fixed workflows, central coordinators, or peer-to-peer messaging, and recent blackboard-style methods that move the coordination into a shared medium relieve only the last problem. To close the gaps, we build ScaleMAS, where asynchronous agents interact with a shared datastore of linked messages via three operations: publishing messages with optional references to earlier ones that they build on, searching for messages by content, and visiting messages by address. Search returns at most $k$ messages, so an agent's read stays bounded at any group size; results are ranked by relevance and by how often they are cited, which we find to be an effective proxy for quality; and messages persist after their producers leave, so the group carries on when individual agents fail. Across four agentic tasks, ScaleMAS outperforms agent-centric and blackboard-style baselines at lower inference compute, continues to scale up to 128 agents, and tolerates losing agents midway.
• Abstract（参考訳）: 既存の大規模言語モデル (LLM) に基づくマルチエージェントシステムはスケールが悪く, グループとともに増大する読み込み負荷, 未知品質の共有作業によって希薄化した有用な情報, エージェントの脆弱さの3つの問題を見出した。 コーディネーション構造は、固定されたワークフロー、中央コーディネータ、ピアツーピアメッセージングに結びついており、最近のブラックボード方式でコーディネーションを共有媒体に移動させることで、最後の問題のみを解決している。 ギャップを埋めるために、私たちはScaleMASを構築し、非同期エージェントが3つの操作を通じてリンクされたメッセージの共有データストアとやり取りする。 検索は最大で$k$のメッセージを返すため、エージェントの読み込みは任意のグループサイズでバウンドされ、結果が関連性や参照頻度によってランク付けされる。 4つのエージェントタスク全体で、ScaleMASはエージェント中心のベースラインとブラックボードスタイルのベースラインを低い推論計算で上回り、最大128エージェントまでスケールアップし続け、途中でエージェントを失うことを許容している。

関連論文リスト

• When Agents Coordinate: Measuring Coordination in Multi-Agent AI Coding [5.434361299116438]
  我々は、AIコーディングエージェントのチームがプログラミングタスクを解きながらどのように協調するかを研究する。 現在の評価は通常、エージェントがタスクを完了し、実行コストを報告します。 私たちはこの調整を測る道具を紹介します。 各実行は、エージェントとファイルがノードである時間的ネットワークとして表現され、メッセージ、ファイル書き込み、ファイル読み込みは、関連するコストでタイムスタンプされた指向エッジである。
  論文  参考訳（メタデータ） (2026-08-17T16:57:38Z)
• AgentFugue: Agent Scaling for Long-Horizon Tasks through Collective Reasoning [57.72181998599248]
  AgentFugueは、共通の推論ハブを中心に構築された、集合的推論フレームワークである。 ピアエージェントが同じタスクを並列に探索する際、ハブは各エージェントが何を確立、試み、あるいは除外したかを簡潔に記録する。 この結果から,集団推論によってピアエージェントシステムのスケールアウトが実現可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-23T09:21:51Z)
• 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)
• GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems [55.12339141172908]
  GoAgentは、協調グループをMAS構築の原子単位として明示的に扱う通信トポロジ生成手法である。 6つのベンチマークの実験では、GoAgentの最先端のパフォーマンスを93.84%の平均精度で証明し、トークン消費を約17%削減した。
  論文  参考訳（メタデータ） (2026-03-20T06:21:32Z)
• AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
  本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。 提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
  論文  参考訳（メタデータ） (2025-06-21T18:34:43Z)
• RGMComm: Return Gap Minimization via Discrete Communications in Multi-Agent Reinforcement Learning [33.86277578441437]
  マルコフ決定過程における協調的マルチエージェント強化学習課題の解決には,コミュニケーションが不可欠である。 本稿では、離散メッセージ生成関数の驚くほど単純な設計であるReturn-Gap-Minimization Communication (RGMComm)アルゴリズムを提案する。 評価の結果、RGMCommは最先端のマルチエージェント通信ベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2023-08-07T07:26:55Z)
• Scalable Communication for Multi-Agent Reinforcement Learning via Transformer-Based Email Mechanism [9.607941773452925]
  コミュニケーションはマルチエージェント強化学習(MARL)における協調性を著しく向上させる 本稿では,部分的に観測されたタスクに対するMARL通信のスケーラビリティ問題に対処するための新しいフレームワークである Transformer-based Email Mechanism (TEM) を提案する。
  論文  参考訳（メタデータ） (2023-01-05T05:34:30Z)

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。