論文の概要: The Wealth of Agents: Scaling Agentic AI Across Developers

• arxiv url: http://arxiv.org/abs/2610.20518v1
• Date: Wed, 14 Oct 2026 17:19:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.277793
• Title: The Wealth of Agents: Scaling Agentic AI Across Developers
• Title（参考訳）: エージェントの富 - 開発者全体にわたるエージェントAIのスケーリング
• Abstract要約: 我々は,マルチ開発者エージェントシステム (MDA) について検討し,エージェントシステムの構築を共同で行えるようにした。 以上の結果から,MDAを新たなスケーリング軸として,予備的事例が得られた。
• 参考スコア（独自算出の注目度）: 42.03746570299368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Today's agentic systems are typically designed, built, and deployed by single developers with full control over all participating agents. While this simplifies development, it limits the potential scale of agentic systems. We study multi-developer agentic systems (MDAs) which enable developers to collaboratively build agentic systems to push frontier capability beyond what any individual developer could achieve alone. We construct empirical and theoretical models of developers to compare MDAs with single-developer agentic systems (SDAs). On GAIA, a general assistant benchmark, a population of specialized developers whose individual agents do not exceed 35% accuracy reaches 70% when their agents are combined in an MDA. This MDA performs 12 percentage points above the median general-purpose SDA built with several times each specialist's development budget. Our theoretical models show how MDAs can incentivize specialization and encourage more efficient use of aggregated developer resources. Put together, our results make a preliminary case for MDAs as a new scaling axis by enabling developers with diverse capabilities and resources to advance agentic AI collaboratively.
• Abstract（参考訳）: 今日のエージェントシステムは、通常、単一の開発者によって設計、構築、デプロイされ、すべてのエージェントをフルコントロールする。 これは開発を単純化するが、エージェントシステムの潜在的な規模を制限する。 我々はMDA(Multi-Developer Agentic System)について研究し、開発者が協力してエージェントシステムを構築して、個々の開発者が単独で達成できる以上のフロンティア能力を推し進めることを可能にする。 我々は,MDAとSDAを比較した経験的,理論的モデルを構築した。 GAIA(General Assistant benchmark)では、MDAにエージェントが組み合わさると、個々のエージェントが35%の精度を超えない特殊な開発者の人口が70%に達する。 このMDAは、各専門家の開発予算の何倍かで構築された、中央値の汎用SDAよりも12パーセント高い。 我々の理論モデルは、MDAが専門化を動機付け、集約された開発リソースをより効率的に利用できるようにする方法を示している。 まとめると、私たちの結果はMDAを新たなスケーリング軸として、多様な能力とリソースを持つ開発者がエージェントAIを協調的に前進させることで、予備的なケースを作ります。

関連論文リスト

• EVOCHAMBER: Test-Time Co-evolution of Multi-Agent System at Individual, Team, and Population Scales [27.568287645700064]
  シングルエージェント学習者は、自身のコンテキストと記憶だけを進化させることができる。 マルチエージェントシステムはさらに、誰が協力するか、どのように協力するか、どのように知識が集団に流れていくのかを進化させる。 EVOCHAMBERは,共進化エージェントプール上の3つのレベルでテスト時間進化をインスタンス化する,トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T18:42:33Z)
• R&D-Agent: An LLM-Agent Framework Towards Autonomous Data Science [70.1638335489284]
  高レベルの機械学習エンジニアリングタスクは、労働集約的で反復的である。 機械学習プロセスを形式化する包括的で分離されたフレームワークであるR&D-Agentを紹介します。 R&D-AgentはMLEを2つのフェーズと6つのコンポーネントに定義し、MLEのエージェント設計を原則としてテスト可能なプロセスに変える。
  論文  参考訳（メタデータ） (2025-05-20T06:07:00Z)
• EvoAgent: Towards Automatic Multi-Agent Generation via Evolutionary Algorithms [55.77492625524141]
  EvoAgentは、特殊エージェントをマルチエージェントシステムに自動的に拡張するジェネリックメソッドである。 EvoAgent は LLM エージェントのタスク解決能力を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-06-20T11:49:23Z)
• AgentGym: Evolving Large Language Model-based Agents across Diverse Environments [116.97648507802926]
  大規模言語モデル(LLM)はそのようなエージェントを構築するための有望な基盤と考えられている。 我々は、自己進化能力を備えた一般機能 LLM ベースのエージェントを構築するための第一歩を踏み出す。 我々はAgentGymを提案する。AgentGymは、幅広い、リアルタイム、ユニフォーマット、並行エージェント探索のための様々な環境とタスクを特徴とする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-06-06T15:15:41Z)
• Goals are Enough: Inducing AdHoc cooperation among unseen Multi-Agent systems in IMFs [5.187177458114381]
  インテントベースのマネジメントは、次世代モバイルネットワークにおける顧客の期待を達成する上で重要な役割を果たす。 従来の手法では、それぞれの期待を独立して扱う傾向があるため、効率的な資源管理を行うことはできない。 本稿では,AIをベースとしたスーパーバイザエージェントを活用して,事前学習エージェントを並列に編成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T14:21:36Z)

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。