論文の概要: Empowering Edge Agents: A Systematic Analysis of Edge-Cloud Collaboration in LLM Agent Execution

• arxiv url: http://arxiv.org/abs/2610.17816v2
• Date: Sun, 18 Oct 2026 09:06:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.280272
• Title: Empowering Edge Agents: A Systematic Analysis of Edge-Cloud Collaboration in LLM Agent Execution
• Title（参考訳）: エッジエージェントの強化: LLMエージェント実行におけるエッジクラウド協調の系統的解析
• Abstract要約: EC2-Benchは、長期エージェントの実行におけるエッジクラウドのコラボレーションを評価するためのベンチマークである。 エッジクラウドコラボレーションのさまざまな形態を実証的に研究する。
• 参考スコア（独自算出の注目度）: 45.3500192056951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge-cloud collaboration combines the lower inference overhead and greater data locality of edge-side execution with the stronger capabilities of cloud-hosted models. However, as LLM agents increasingly operate in long-horizon scenarios, cloud participation becomes interleaved throughout execution rather than a one-shot decision for each query. Such interleaved participation introduces trajectory-level effects that remain insufficiently understood. To address this gap, we introduce EC2-Bench, a benchmark for evaluating edge-cloud collaboration in long-horizon agent execution. It provides executable digital-workspace agent tasks and a unified evaluation framework covering task performance, resource usage, and privacy exposure. Using this benchmark, we empirically study diverse forms of edge-cloud collaboration. Our study reveals three findings. First, collaboration achieves a favorable balance among task performance, resource usage, and privacy exposure compared with edge-only and cloud-only execution. Second, as edge models become stronger, collaborative execution approaches cloud-only performance, and performance differences across strategies shrink, while privacy exposure remains strongly strategy-dependent. Third, stronger edge capability shifts preferred collaboration from externally controlled cloud participation and direct cloud execution toward more edge-controlled collaboration. Further analyses identify cloud-invocation decision-making and instruction following as important edge-side abilities for effective collaboration. These findings provide a systematic understanding of edge-cloud collaboration in long-horizon agent execution and insights for designing future edge agents that effectively collaborate with cloud models. Code and resources are available at https://github.com/OpenBMB/EC2-Bench.
• Abstract（参考訳）: エッジ-クラウドのコラボレーションは、エッジサイド実行の低い推論オーバーヘッドとデータローカリティと、クラウドホスト型モデルのより強力な機能を組み合わせたものだ。 しかし、LLMエージェントが長期のシナリオでますます運用されるようになると、各クエリのワンショット決定よりも、実行を通じてクラウドへの参加がインターリーブされるようになる。 このようなインターリーブされた参加は、十分に理解されていない軌道レベルの効果をもたらす。 このギャップに対処するために、長い水平エージェントの実行においてエッジクラウドのコラボレーションを評価するベンチマークであるEC2-Benchを紹介します。 実行可能なデジタルワークスペースエージェントタスクと、タスクパフォーマンス、リソース使用量、プライバシ露出をカバーする統合評価フレームワークを提供する。 このベンチマークを用いて、エッジクラウドコラボレーションのさまざまな形態を実証的に研究する。 私たちの研究は3つの発見を公表した。 まず、エッジのみの実行とクラウドのみの実行と比較して、タスクパフォーマンス、リソース使用量、プライバシ露出のバランスが良好である。 第二に、エッジモデルがより強くなるにつれて、共同実行はクラウドのみのパフォーマンスにアプローチし、戦略間のパフォーマンス差は小さくなります。 第3に、エッジ能力の強化は、外部制御されたクラウド参加と直接クラウド実行とのコラボレーションを、よりエッジ制御されたコラボレーションへとシフトさせる。 さらにクラウド起動による意思決定と指示を,効果的なコラボレーションのための重要なエッジ側能力として同定する。 これらの知見は,長期エージェントの実行におけるエッジクラウドコラボレーションの体系的理解と,クラウドモデルと効果的にコラボレーションする将来のエッジエージェント設計のための洞察を提供する。 コードとリソースはhttps://github.com/OpenBMB/EC2-Bench.comで入手できる。

関連論文リスト

• EdgeWise: Bringing Long-Horizon Agents to the Edge via Selective Cloud Delegation [42.024752609404864]
  EdgeWiseは、ローカルデバイスにSLMをデプロイする、エッジクラウドコラボレーションフレームワークである。 EdgeWiseはSWE-Rebenchで最大62%、 Terminal-Bench 2.1で最大34%の推論コストを削減しながら、純粋なLLM実行にマッチまたは性能を向上することを示す。
  論文  参考訳（メタデータ） (2026-10-13T01:32:16Z)
• Sibyl: An Efficient Small-large Model Collaboration Framework for Long-horizon Tasks [35.706267319916755]
  小型言語モデル(SLM)は、低レイテンシ、リソース効率の推論を通じてデバイス上のエージェントに有望な基盤を提供する。 SLMとより大きなクラウドホストモデルの間のステップレベルのコラボレーションは、このギャップを埋めることができますが、クラウドアシストの保証は依然として難しい状態です。 我々はSLMエージェントにステップレベルでクラウドモデルを選択的に参照し、その後の意思決定のためのガイダンスを内部化するアルゴリズムであるSibylを提案する。
  論文  参考訳（メタデータ） (2026-10-04T17:14:41Z)
• Edge-Only Universal Adversarial Attacks in Distributed Learning [49.546479320670464]
  本研究では,攻撃者がモデルのエッジ部分のみにアクセスした場合に,ユニバーサルな敵攻撃を発生させる可能性について検討する。 提案手法は, エッジ側の重要な特徴を活用することで, 未知のクラウド部分において, 効果的な誤予測を誘導できることを示唆する。 ImageNetの結果は、未知のクラウド部分に対する強力な攻撃伝達性を示している。
  論文  参考訳（メタデータ） (2024-11-15T11:06:24Z)
• CE-CoLLM: Efficient and Adaptive Large Language Models Through Cloud-Edge Collaboration [1.6021932740447968]
  大型言語モデル(LLM)は、人間のような優れた予測能力を示す。 LLMをデプロイして、エッジで効率的かつ適応的な推論サービスを提供するのは難しい。 本稿では,これらの課題に対処するために,LLM(CE-CoLLM)のための新しいクラウドエッジコラボレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T06:00:27Z)
• Edge-cloud Collaborative Learning with Federated and Centralized Features [14.009299207006542]
  フェデレートラーニング(FL)は、ユーザのプライバシを損なわないエッジコンピューティングの一般的な方法です。 提案するEdge-Cloud Collaborative Knowledge Transfer Framework (ECCT)は,エッジとクラウドのギャップを埋めるものだ。
  論文  参考訳（メタデータ） (2023-04-12T14:00:32Z)
• Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
  クラウドとエッジ両方のAIの体系的なレビューを行います。 私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。 我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
  論文  参考訳（メタデータ） (2021-11-11T05:58:23Z)
• Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
  本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。 私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
  論文  参考訳（メタデータ） (2021-08-30T08:03:29Z)
• Reproducible Performance Optimization of Complex Applications on the Edge-to-Cloud Continuum [55.6313942302582]
  エッジ・ツー・クラウド・コンティニュム上でのリアルタイムアプリケーションの最適化を支援する手法を提案する。 提案手法は, 制御されたテストベッド環境において, その動作を理解するための厳密な構成解析に頼っている。 当社の方法論はEdge-to-Cloud Continuumの他のアプリケーションに一般化することができる。
  論文  参考訳（メタデータ） (2021-08-04T07:35:14Z)

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。