論文の概要: SCARCE: Emergent Institutions in Long-Horizon Multi-Agent Coding Systems

• arxiv url: http://arxiv.org/abs/2610.21029v1
• Date: Thu, 15 Oct 2026 00:00:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.106032
• Title: SCARCE: Emergent Institutions in Long-Horizon Multi-Agent Coding Systems
• Title（参考訳）: SCARCE: 長距離マルチエージェント符号化システムにおける創発的インスティテュート
• Abstract要約: 本稿では,共有実行リソースへのアクセスを交渉しながら,個々の期限下でのコーディングタスクのシーケンスをエージェントが解決するフレームワークを提案する。 この交渉は、いつ、どのくらいの間プログラムを検査し、コードをコンパイルし、テストを実行できるかを決定する。 エージェントは、評判、互恵性、前例に根ざした永続的な規則とコミットメントを、自発的に非公式な制度を発達させることがわかりました。
• 参考スコア（独自算出の注目度）: 22.0955726699075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As autonomous agents become widely deployed, coordinating access to shared computing resources and services will become increasingly important. Recent incidents have already revealed unplanned coordination between agents, highlighting the safety implications of these interactions. Yet prior studies of agent negotiation often use stylized games and simulated bargaining, leaving open how these behaviors develop during sustained, long-horizon tasks. We propose SCARCE (Shared Compute ARena for Coding agEnts), a framework in which agents solve sequences of coding tasks under individual deadlines while negotiating access to a shared execution resource. This negotiation determines when and for how long they can inspect programs, compile code, and run tests. We find that agents spontaneously develop informal institutions: persistent rules and commitments grounded in reputation, reciprocity, and precedent. These arrangements, which we call institutional behaviors, carry across tasks and influence resource allocation, with agents sometimes foregoing immediate advantages to honor earlier agreements. We develop a 21-category taxonomy of negotiation strategies and emergent norms and use it to analyze eight models and audit more than 1,500 trajectories across different environmental settings. Among the models tested, newer frontier models exhibit more institutional behaviors than older or lightweight models. Alongside cooperation, we observe exclusionary coalitions and rare divide-and-conquer strategies. SCARCE provides a controlled setting for proactively and systematically auditing how these relationships emerge, shape access to resources, and affect the safety and coordination of multi-agent systems.
• Abstract（参考訳）: 自律エージェントが広くデプロイされるにつれて、共有コンピューティングリソースやサービスへのアクセスの調整がますます重要になる。 最近の事件では、エージェント間の非計画的な調整が既に明らかにされており、これらの相互作用の安全性への影響が強調されている。 しかし、エージェントネゴシエーションの以前の研究は、しばしばスタイル化されたゲームとシミュレートされた交渉を使用しており、持続的で長期にわたるタスクの間にこれらの行動がどのように発達するかをオープンにしている。 SCARCE(Shared Compute ARena for Coding agEnts)は、エージェントが共有実行リソースへのアクセスを交渉しながら、個々の期限下でコーディングタスクのシーケンスを解くフレームワークである。 この交渉は、いつ、どのくらいの間プログラムを検査し、コードをコンパイルし、テストを実行できるかを決定する。 エージェントは、評判、互恵性、前例に根ざした永続的な規則とコミットメントを、自発的に非公式な制度を発達させることがわかりました。 機関行動と呼び、業務を遂行し、資源配分に影響を与えるこれらの取組は、時として、以前の協定を尊重する即時的な利点を先導する。 我々は、交渉戦略と創発規範の21カテゴリの分類法を開発し、8つのモデルを分析し、異なる環境環境における1500以上のトラジェクトリを監査する。 テストされたモデルのうち、新しいフロンティアモデルは、古いモデルや軽量モデルよりもより制度的な振る舞いを示す。 協力とともに、排他的連立やまれな分断的戦略を観察する。 SCARCEは、これらの関係がどのように出現するかを積極的に体系的に監査し、リソースへのアクセスを形成し、マルチエージェントシステムの安全性と調整に影響を与える制御された設定を提供する。

関連論文リスト

• LLawCo: Learning Laws of Cooperation for Modeling Embodied Multi-Agent Behavior [51.25229110468212]
  分散化された環境で活動する身体的エージェントは、しばしばパートナーと不整合または環境状態に不整合な行動を示す。 我々は,実施エージェントがパートナーとタスクの目的の両方を自律的に整合させることができる新しい枠組みであるLearning Laws of Cooperationを提案する。 我々のフレームワークは、エージェントが過去の失敗を反映して、不整合な行動パターンを抽出し、"必要であれば話す"や"パートナーを待つ"といったハイレベルな行動法則を導出することを可能にする。
  論文  参考訳（メタデータ） (2026-06-26T15:26:12Z)
• Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems [65.90791804095561]
  マルチエージェントシステムは、特殊エージェント間の構造化された協調を通じてこの問題に対処するが、より厳密な調整は、あまり検討されていないリスクを増幅する。 既存の調査では、個々のエージェント能力、マルチエージェントのコラボレーション、エージェントの自己進化を別々にカバーしている。 この調査は4つの因果関係のあるステージを中心にまとめられた統一されたレビューを提供する。これはLIFEの進展(Lay the capabilities foundation)、協力によるエージェントの統合、帰属による障害の発見、自律的な自己改善によるEvolveである。
  論文  参考訳（メタデータ） (2026-05-14T14:36:13Z)
• Position Paper: Towards Open Complex Human-AI Agents Collaboration Systems for Problem Solving and Knowledge Management [0.15039745292757667]
  我々は,Human-AI Agents Collaboration Systems(HAACS)のための技術に依存しない,コラボレーション可能なスタンスを提案する。 7次元のコラボスピンと人間とエージェントのコントラストを通して経験的なパターンを読み取ることで、欠落したピースを識別する。 アドホック接着剤を使わず,バイオサイバネティック拡張をスケッチすることなく,新たなエージェントプロトコルとの相互運用性を示す。
  論文  参考訳（メタデータ） (2025-04-24T05:57:03Z)
• Contextual Knowledge Sharing in Multi-Agent Reinforcement Learning with Decentralized Communication and Coordination [0.9776703963093367]
  マルチエージェント強化学習(Dec-MARL)は、動的環境における複雑なタスクに対処するための重要なアプローチとして登場した。 本稿では,エージェントの知識共有プロセスに目標認識とタイムアウェアネスを取り入れ,ピアツーピアコミュニケーションとコーディネーションを統合した新しいDec-MARLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-26T22:49:50Z)
• Multi-agent cooperation through learning-aware policy gradients [53.63948041506278]
  利己的な個人はしばしば協力に失敗し、マルチエージェント学習の根本的な課題を提起する。 本稿では,学習型強化学習のための,偏見のない高導出性ポリシー勾配アルゴリズムを提案する。 我々は, 受刑者のジレンマから, 自己関心のある学習エージェントの間でどのように, いつ, 協力関係が生じるかの新たな説明を得た。
  論文  参考訳（メタデータ） (2024-10-24T10:48:42Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Multi-Agent Coordination via Multi-Level Communication [29.388570369796586]
  シークエンシャル・コミュニケーション(SeqComm)という新しいマルチレベル通信方式を提案する。 本稿では,新しいマルチレベル通信方式であるSeqCommを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:08:03Z)
• DSDF: An approach to handle stochastic agents in collaborative multi-agent reinforcement learning [0.0]
  ロボットの機能低下や老化によって引き起こされるエージェントの真偽が、協調の不確実性にどのように寄与するかを示す。 DSDFは不確実性に応じてエージェントの割引係数を調整し,その値を用いて個々のエージェントのユーティリティネットワークを更新する。
  論文  参考訳（メタデータ） (2021-09-14T12:02:28Z)

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。