論文の概要: Truthful and Expected-Payment-Optimal Model Routing in Graph-Based Agentic Workflows

• arxiv url: http://arxiv.org/abs/2610.19316v1
• Date: Tue, 13 Oct 2026 23:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.85585
• Title: Truthful and Expected-Payment-Optimal Model Routing in Graph-Based Agentic Workflows
• Title（参考訳）: グラフベースエージェントワークフローにおける真正かつ期待される支払い最適モデルルーティング
• Abstract要約: トポロジ対応のエージェントルーティングは、仮想コスト重み付きグラフワークロードを最小限にする。 トポロジ対応エージェントルーティングは、ユーザの期待する提供者への支払い総量を最小化する。 センシティブな研究は、支払いの貯蓄が以前の不特定性とどのように異なるかを定量化する。
• 参考スコア（独自算出の注目度）: 35.35230013961
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assigning routine tasks to cheaper large language model (LLM) providers can reduce generation cost, but switching providers may require processing accumulated context again. Keeping dependent tasks with the same provider can instead reuse eligible context. Graph-based workflows therefore couple routing decisions across tasks. Independent providers may also privately know their real-time unit costs and strategically misreport them. We formulate this routing problem as a single-parameter procurement auction and propose STAR (Strategy-proof Topology-aware Agent Routing), which minimizes virtual-cost-weighted graph workloads. Its allocation rule and payments, computed by integrating workload over possible cost reports, make truthful reporting utility-maximizing regardless of other providers' reports and cover each truthful provider's execution cost. With independent cost distributions and non-decreasing virtual costs, STAR additionally minimizes the user's expected total payment to providers. Controlled synthetic experiments separate the execution-cost benefit of topology awareness from the payment benefit of virtual-cost optimization: the former grows with fan-out and transferred payload, while the latter increases gradually along the tested prior-shape heterogeneity path. A paired sensitivity study quantifies how payment savings vary with prior misspecification while strategy-proofness is preserved.
• Abstract（参考訳）: より安価な大言語モデル(LLM)プロバイダにルーチンタスクを割り当てることは、生成コストを削減できるが、プロバイダを切り替えるには、再び蓄積されたコンテキストを処理する必要がある。 依存したタスクを同じプロバイダに保持する代わりに、許容可能なコンテキストを再利用できる。 したがって、グラフベースのワークフローはタスク間のルーティング決定を分割する。 独立したプロバイダは、自身のリアルタイムのユニットコストをプライベートに知ることができ、戦略的に誤った報告を行うことができる。 本稿では,このルーティング問題を単一パラメータ調達オークションとして定式化し,仮想コスト重み付きグラフワークロードを最小限に抑えるSTAR(Strategy-proof Topology-aware Agent Routing)を提案する。 その割当ルールと支払いは、可能コストのレポートにワークロードを統合することで計算され、他のプロバイダのレポートによらず実用性を最大限に報告し、それぞれの真正なプロバイダの実行コストをカバーします。 独立したコスト分散と非遅延仮想コストにより、STARは、ユーザの期待する提供者への総支払いを最小化する。 制御された合成実験は、トポロジー認識の実行コストの利点と仮想コスト最適化の支払いの利点を区別する: 前者はファンアウトと転送ペイロードで成長し、後者はテストされた前形不均一性パスに沿って徐々に増加する。 ペア敏感な研究は、戦略の安全性を維持しながら、支払いの貯蓄が以前の不特定性とどのように異なるかを定量化する。

関連論文リスト

• Routing Should Pay for Itself: Sparse Supervision for Economical LLM Routing [41.81696128826457]
  大規模言語モデル(LLM)は、応答品質を維持しながら、各クエリを適切なモデルに割り当てることで、サービスコストを削減する。 しかし、そのようなルータを学習するには、クエリーの品質フィードバックを集めるために、過去のクエリーで複数の候補モデルを実行する必要があることが多い。 情報的モデルフィードバックを選択的に取得し,関連するクエリ間で機能情報を共有する,スパーススーパービジョンルーティングフレームワークであるSaveを提案する。
  論文  参考訳（メタデータ） (2026-09-29T12:42:02Z)
• Cost-Utility Alignment in LLM Agent Trajectories:Profiling,Attribution,Diagnosis,Adaptation,and Evaluation [7.673754519525176]
  LLMエージェントは、トークン、レイテンシ、金銭的手数料、環境リスクにコストを蓄積する多段階のトラジェクトリを通じてタスクを実行する。 我々は,資源消費とタスクコントリビューションを同一実行上の二重台帳として扱うトラジェクトリ中心のコストユーティリティアライメントフレームワークを開発した。
  論文  参考訳（メタデータ） (2026-08-25T06:31:00Z)
• Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation [64.51088225051959]
  不均一なAIシステムは、最低コストで最も効果的に答えられる専門家にクエリをルーティングすることで、品質と効率を向上させることができる。 我々はこのトレードオフをPandoraのBoxの例として定式化した。 ガウス信号モデルの下では、得られたポリシーは、各専門家とインプットに対して、その価値見積の精算がそのコストに値するかどうかを決定する、クローズドフォームな情報表現を持つ。
  論文  参考訳（メタデータ） (2026-08-20T17:54:37Z)
• Resample or Reroute? Budget-Aware Test-Time Model Selection for Large Language Models [0.10152838128195468]
  この研究は、大規模言語モデルに対する予算対応テストタイムモデル選択を定式化する。 単位コスト当たりの限界精度の推定によるオンライン再サンプリング・オー・リルート(RoR)割り当てポリシーを提案する。 11モデルのオープンウェイトプールから4つの異なる難易度ベンチマークで新たに生成した正しさテンソルの実験により、提案されたRoRポリシーは、単一ルート、一コミットルータ、予算対応のベスト・オブ・K、カスケード、ランダム・アロケーションベースラインに対して、良好なコスト品質のロバスト性を達成することが示された。
  論文  参考訳（メタデータ） (2026-07-09T16:34:15Z)
• Explainable Model Routing for Agentic Workflows [0.9379969114114787]
  Topazは、エージェントルーティングに正式な監査性を導入するフレームワークである。 エージェントルーティングに形式的監査性を導入するフレームワークであるTopazを紹介する。
  論文  参考訳（メタデータ） (2026-04-04T00:11:24Z)
• Dynamic Speculative Agent Planning [57.630218933994534]
  大規模な言語モデルベースのエージェントは、遅延の禁止と推論コストのために、重要なデプロイメント課題に直面している。 本稿では,オンライン強化学習フレームワークである動的投機計画(Dynamic Speculative Planning, DSP)を紹介する。 2つの標準エージェントベンチマークの実験では、DSPは高速加速法に匹敵する効率を達成し、総コストを30%削減し、不要コストを60%まで削減している。
  論文  参考訳（メタデータ） (2025-09-02T03:34:36Z)
• Multi-Agent Neural Rewriter for Vehicle Routing with Limited Disclosure of Costs [65.23158435596518]
  チームのマルコフゲームとして、部分的に観測可能なコストでマルチサイクルルーティング問題を解く。 我々のマルチエージェント強化学習アプローチである、いわゆるマルチエージェントニューラルリライタは、1エージェントニューラルリライタを利用して、反復的に書き換えるソリューションによって問題を解決する。
  論文  参考訳（メタデータ） (2022-06-13T09:17:40Z)

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。