論文の概要: OpenDGO: Benchmarking Multi-Agent Organizations Across Diverse Application Domains

• arxiv url: http://arxiv.org/abs/2610.17143v1
• Date: Mon, 12 Oct 2026 17:26:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:06:36.250798
• Title: OpenDGO: Benchmarking Multi-Agent Organizations Across Diverse Application Domains
• Title（参考訳）: OpenDGO: さまざまなアプリケーションドメインにわたるマルチエージェント組織のベンチマーク
• Abstract要約: 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、様々な領域にまたがってますます適用されてきている。 実世界の6つのドメインと3つのコラボレーション設定をカバーするベンチマークおよび分析フレームワークである textbfOpenDGO を提示する。 マッチしたタスク、エージェント、ツール、リソース制限の下で、OpenDGOは、固定された組織と学習された組織を比較し、コミュニケーショングラフ、ロール割り当て、入力割り当て、リソース予算、コンポーネント障害を別々に調べる。
• 参考スコア（独自算出の注目度）: 38.298719833224396
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large language model (LLM)-based multi-agent systems are increasingly applied across diverse domains, yet different applications require different forms of agent organization. Existing studies typically adopt predefined organizations, such as Star, Chain, and Tree, or learn communication graphs to improve performance on specific tasks. However, these methods are largely designed and evaluated within a limited set of application domains, providing little understanding of whether an organization effective in one domain remains suitable for others with different collaboration requirements. We present \textbf{OpenDGO}, a controlled benchmark and analysis framework covering six real-world domains and three collaboration settings: Sequential Dependency, Parallel Decomposition, and Information Integration. Under matched tasks, agents, tools, and resource limits, OpenDGO compares fixed and learned organizations while separately examining communication graphs, role assignments, input assignments, resource budgets, and component failures. Our results show that there is no ``one-organization-for-all'' solution: preferred organizations vary across applications, and even the same communication graph can yield different outcomes under different role and input assignments. These findings highlight the need for application-dependent organization design, aiming to understand \emph{which organization is suitable for a given application, under what conditions, and why}.
• Abstract（参考訳）: 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、多様なドメインにまたがってますます適用されてきているが、異なるアプリケーションではエージェント機構の異なる形態を必要とする。 既存の研究は一般的に、Star、Chain、Treeといった事前に定義された組織を採用するか、特定のタスクのパフォーマンスを改善するためにコミュニケーショングラフを学ぶ。 しかし、これらの手法はアプリケーションドメインの限られた範囲内で主に設計され、評価されており、あるドメインで有効な組織が、異なるコラボレーション要件を持つ他のドメインに相応しいままであるかどうかをほとんど理解していない。 実世界の6つのドメインと3つの協調設定(逐次依存、並列分解、情報統合)をカバーする、制御されたベンチマークおよび分析フレームワークである。 マッチしたタスク、エージェント、ツール、リソース制限の下で、OpenDGOは、固定された組織と学習された組織を比較し、コミュニケーショングラフ、ロール割り当て、入力割り当て、リソース予算、コンポーネント障害を別々に調べる。 望ましい組織はアプリケーションによって異なり、同じコミュニケーショングラフでさえ、異なる役割や入力の割り当ての下で異なる結果を得ることができる。 これらの知見は,アプリケーションに依存した組織設計の必要性を浮き彫りにしており,どの組織が特定のアプリケーションに適したのか,どのような条件と理由の下で理解することを目的としている。

関連論文リスト

• A Survey on Foundations and Frontiers of Multimodal Agentic Frameworks: Techniques and Applications [148.85885339822232]
  大型言語モデル(LLM)は機関の研究の波を加速させた。 LLMは、画像、オーディオ、ビデオを含む様々なモダリティを処理し、統合することで、現実の応用性を向上させることができる。 この調査は,エージェントフレームワークの中核機能モジュール間のマルチモーダリティの影響を分析することによって,ギャップを埋める。
  論文  参考訳（メタデータ） (2026-06-28T17:03:12Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  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、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• SAMGPT: Text-free Graph Foundation Model for Multi-domain Pre-training and Cross-domain Adaptation [29.885969929608216]
  テキストのないマルチドメイングラフ事前学習とクロスドメイン適応のための新しい構造アライメントフレームワークを提案する。 複数のソースドメインを起源とするグラフから、マルチドメインの知識を学ぶように設計されている。
  論文  参考訳（メタデータ） (2025-02-08T03:24:25Z)
• Multi-Agent Planning Using Visual Language Models [2.2369578015657954]
  大規模言語モデル(LLM)とビジュアル言語モデル(VLM)は、様々なドメインやタスクにわたるパフォーマンスとアプリケーションの改善により、関心を集めている。 LLMとVLMは、特に問題領域の深い理解が必要な場合、誤った結果をもたらす。 本稿では,特定のデータ構造を入力として必要とせずに動作可能なマルチエージェント型タスクプランニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-08-10T08:10:17Z)

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。