論文の概要: Which Model for Which Role? Cost-Efficient Pareto Recommendation for LLM Agentic Workflows
- arxiv url: http://arxiv.org/abs/2610.26676v1
- Date: Mon, 19 Oct 2026 16:25:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 02:01:48.693985
- Title: Which Model for Which Role? Cost-Efficient Pareto Recommendation for LLM Agentic Workflows
- Title（参考訳）: どの役割を担うか : LLMエージェントワークフローのための費用効率の良いパレートレコメンデーション
- Abstract要約: 我々は、Paretoレコメンデーションのための単目的コスト対応Gittins検索の多目的拡張であるCost-Coupled Gittinsを紹介する。
評価とデプロイメントのコストの結合を利用する。デプロイに要するコストも高く評価される。
真のフロンティアのかなりの部分を回収し、偽陽性は30%も減らした。
- 参考スコア（独自算出の注目度）: 19.80348496119314
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM agentic workflows increasingly employ different models for specialized roles. Users may prefer different trade-offs between task quality and deployment cost, sometimes also considering latency. Finding good assignments incurs a separate search cost from evaluating multiple candidates. We introduce Cost-Coupled Gittins (CC-Gittins), a multi-objective extension of single-objective cost-aware Gittins search for Pareto recommendation. It exploits the coupling between evaluation and deployment costs: assignments that cost more to deploy also cost more to evaluate. The search alternates between seeking higher quality and lower deployment cost, reusing each evaluation to inform both searches. After each batch, CC-Gittins recommends assignments that are nondominated under uncertainty-adjusted estimates of quality and deployment cost. We evaluate CC-Gittins on eight quality--cost matrices from workflows with two to five roles and up to 1,681 candidate assignments. We also evaluate the method with latency as a third objective. Across the eight benchmarks, CC-Gittins recovers a substantial fraction of the true Pareto frontier at roughly 10% of the exhaustive-evaluation cost, and recovers most of the frontier with few false positives by 30%.
- Abstract（参考訳）: LLMエージェントワークフローは、専門的な役割のために異なるモデルを採用する傾向にある。
ユーザーはタスク品質とデプロイメントコストのトレードオフを好み、時にはレイテンシも考慮する。
優れた割り当てを見つけることは、複数の候補を評価することで、別の検索コストを発生させる。
コスト結合型Gittins (CC-Gittins) は,Paretoレコメンデーションのための単目的のコスト対応Gittins検索の多目的拡張である。
評価とデプロイメントのコストの結合を利用する。デプロイに要するコストも高く評価される。
検索は、より高い品質と低いデプロイメントコストを求め、それぞれの評価を再利用して両方の検索を知らせる。
各バッチの後、CC-Gittinsは、品質とデプロイメントコストの不確実性調整された見積の下で管理されていない割り当てを推奨する。
CC-Gittins on eight quality-cost matrices from workflows with two to five roles and up to 1,681 candidate assignments。
また,この手法を第3の目的として評価した。
8つのベンチマーク全体で、CC-Gittinsは真のParetoフロンティアのかなりの部分を、徹底的な評価コストの約10%で回収し、フロンティアの大部分を、偽陽性を30%減らして回収する。
関連論文リスト
- Occamy-1.0: Open Pareto-frontier 35B Intelligence for Co-work [51.29186915859486]
本稿では, ポストトレーニング後のQwen3.6-35B-A3Bチェックポイントをさらにトレーニングし, コスト効率の良いコワークモデルであるOccamy-1.0を提案する。
我々は,複数のハーネスにまたがる再生可能な長距離軌跡を捕捉し,段階的なポストトレーニングを用いて補完的な実行機能を開発し,統合する。
論文 参考訳（メタデータ） (2026-09-04T03:32:26Z) - 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) - Optimize Cheap, Deploy Strong: Cost-Aware Cross-Tier Transfer for Evolutionary Optimization [2.3165808794695915]
プロンプトとエージェントプログラムの進化的最適化は、フィットネス評価に支配されている。
LLMが果たす3つの役割を分離し、最も安価な層で高ボリュームの回答ロールを実行することで、検索を再構築する。
低コスト検索がターゲット層検索にどのように代用され、どこで失敗するかを、コスト制御で評価する。
論文 参考訳（メタデータ） (2026-08-11T09:17:22Z) - Janus: An Algorithm-Evaluator Co-Evolution Framework for LLM-Driven Discovery under Expensive Evaluation Budgets [56.93233495754078]
我々は、LLMを使ってターゲットプログラムと実行可能なプロキシ評価器を共同開発するフレームワークであるJanusを紹介する。
ラベル不足に対処するため、JanusはLLMに符号化されたドメイン知識を活用してタスク固有の評価プログラムを生成する。
流通シフトを軽減するため、Janusはターゲットプログラムと並行して評価器を進化させ、プロモーション対応の目標を使ってそれらを選択し、地域条件のポートフォリオを維持する。
論文 参考訳（メタデータ） (2026-08-08T15:31:12Z) - Specialize Roles, Mix Deployments: Pushing the Cost-Accuracy Frontier of LLM Agent Teams [14.784600350594614]
LLMエージェントは、プランナー、エグゼキュータ、検証といった特別な役割にタスクを分割するマルチロールチームとして、ますます多くデプロイされている。
既存のエージェントベンチマークは、固定モデルまたは固定エージェント構成を評価し、コスト-正確/最適デプロイメントのための限定的なガイダンスを提供する。
本稿では,LLMエージェントチームを評価するためのロール対応ベンチマークスイートであるAgentCARDについて紹介する。
論文 参考訳（メタデータ） (2026-05-28T17:12:20Z) - Unsolvability Ceiling in Multi-LLM Routing: An Empirical Study of Evaluation Artifacts [0.07812854697536452]
6つのベンチマークで206,000のクエリモデルペアを持つマルチ層LSMルーティングについて大規模に検討する。
報告された未解決性のかなりの部分は, 評価成果物に起因していることが示されている。
論文 参考訳（メタデータ） (2026-05-08T07:49:24Z) - Cost-Aware Contrastive Routing for LLMs [57.30288453580456]
我々は、プロンプトとモデルの両方を共有埋め込み空間にマッピングする軽量フレームワークであるコストスペクトルコントラストルーティング(CSCR)を紹介します。
CSCRはベースラインを一貫して上回り、精度とコストのトレードオフを最大25%改善した。
論文 参考訳（メタデータ） (2025-08-17T20:16:44Z) - Cost-aware Stopping for Bayesian Optimization [46.95172329282389]
本稿では,様々な評価コストに適応し,チューニングが不要なベイズ最適化のためのコスト対応停止則を提案する。
我々は,最先端の取得関数と組み合わせた場合,停止規則によって得られる期待累積評価コストを拘束する理論的な保証を証明した。
論文 参考訳（メタデータ） (2025-07-16T17:54:14Z) - Knowledge Gradient for Multi-Objective Bayesian Optimization with Decoupled Evaluations [0.0]
いくつかのケースでは、目的を個別に評価することができ、異なるレイテンシや評価コストをそれぞれの目標に関連付けることができる。
目的の異なる評価コストを考慮に入れたスカラー化に基づく知識獲得機能を提案する。
論文 参考訳（メタデータ） (2023-02-02T18:33:34Z)
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。