論文の概要: Muffin - A Shared Memory Buffer for Asynchronous AI Agents

• arxiv url: http://arxiv.org/abs/2610.31355v1
• Date: Thu, 22 Oct 2026 14:36:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.410597
• Title: Muffin - A Shared Memory Buffer for Asynchronous AI Agents
• Title（参考訳）: Muffin - 非同期AIエージェントのための共有メモリバッファ
• Abstract要約: ターゲット駆動推論タスクでは、シングルエージェントとマルチエージェントのシステムは性能向上の点で同等であることが多い。 大きな課題は、エージェント間の相互作用と調整の間、重要な情報の非効率な交換から失敗がしばしば生じることである。 本稿では,非同期エージェントフレームワークにおける共有メモリbUFFer推論に基づくエージェント間プロトコルを提案する。
• 参考スコア（独自算出の注目度）: 15.267236995686554
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rise of Agentic AI systems has changed the landscape of artificial intelligence by enabling strong reasoning capabilities through specialized multi-agent interaction with structured self-reflection. However, in target-driven reasoning tasks, single- and multi-agent systems are often on par in terms of performance gains. A major challenge is that failures often arise from an ineffective exchange of critical information during inter-agent interaction and coordination. Different from existing multi-agent debate paradigms that rely on synchronous turn-taking and sharing information across different agents, we propose an inter-agent protocol based on shared Memory bUFFer INference - referred to as MUFFIN - in an asynchronous agentic framework. In the first step, an orchestrator routes queries based on their reasoning demands and delegates demanding ones to a multi-agent setting, where a shared memory buffer provides asynchronous exchange of intermediate findings while an agent's private reasoning remains local. Our experiments show that our framework Muffin outperforms established competitors, achieving the best accuracy in 17 out of 20 of our benchmark settings, and provides a better quality-cost trade-off than multi-agent debate: Muffin improves accuracy by 19.2 accuracy points while using 77.4% fewer tokens, without requiring full-trace sharing.
• Abstract（参考訳）: エージェントAIシステムの台頭は、構造化された自己回帰との特殊なマルチエージェントインタラクションを通じて、強力な推論機能を実現することによって、人工知能のランドスケープを変化させた。 しかし、ターゲット駆動推論タスクでは、シングルエージェントとマルチエージェントのシステムは性能向上の点で同等であることが多い。 大きな課題は、エージェント間の相互作用と調整の間、重要な情報の非効率な交換から失敗がしばしば生じることである。 エージェント間での同期的なターンテイクと情報の共有に依存する既存のマルチエージェントの議論パラダイムとは違って,共有メモリbUFFer推論(MUFFIN)に基づくエージェント間プロトコルを非同期エージェントフレームワークで提案する。 最初のステップでは、オーケストレータは、推論要求に基づいてクエリをルーティングし、要求するクエリをマルチエージェント設定に委譲する。 Muffinは、77.4%少ないトークンを使用しながら、精度を19.2の精度で改善し、完全なトレース共有を必要としない。

関連論文リスト

• Long-Horizon Embodied Decision-Making via Multimodal Memory Compression [71.16335993005139]
  DunphyBenchは、長期的な人間中心の意思決定のエージェントを評価するための新しいベンチマークだ。 MeMentoは、ユーザの好みに基づいて決定関連情報を選択的に圧縮する、優先条件付きマルチモーダルメモリ圧縮機である。 MeMentoはVLM駆動エージェントの精度を7.18%向上させ、メモリ使用率を最強のベースラインに比べて85.38%削減する。
  論文  参考訳（メタデータ） (2026-08-02T19:29:48Z)
• Learning to Communicate: Toward End-to-End Optimization of Multi-Agent Language Systems [30.327850022896286]
  本稿では,マルチエージェントシステムの学習可能なコンポーネントとして,潜時通信を扱うトレーニングフレームワークDiffMASを提案する。 実験により,DiffMASは単一エージェント推論,テキストベースマルチエージェントシステム,先行潜時通信方式に対して,推論精度と復号安定性を一貫して向上することが示された。
  論文  参考訳（メタデータ） (2026-04-23T15:53:25Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning [68.85408801740228]
  協調型マルチエージェント強化学習問題としてトポロジ選択を再構成する強化学習フレームワークである textbfAgent Q-Mix を提案する。 提案手法は,Qmix値分解を用いて分散化された通信決定を学習し,各エージェントがラウンドワイド通信グラフを共同生成する一連の通信行動から選択する。 エージェントQ-Mixは,エージェント故障に対して優れたトークン効率とロバスト性を示しながら,既存手法と比較して高い平均精度を達成する。
  論文  参考訳（メタデータ） (2026-04-01T00:38:24Z)
• TopoDIM: One-shot Topology Generation of Diverse Interaction Modes for Multi-Agent Systems [13.061151798272933]
  TopoDIMは、双方向インタラクションモードを用いたワンショットトポロジー生成のためのフレームワークである。 トークン効率が向上し、タスクパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2026-01-15T07:05:04Z)
• InterAgent: Physics-based Multi-agent Command Execution via Diffusion on Interaction Graphs [72.5651722107621]
  InterAgentはテキスト駆動型物理ベースのマルチエージェントヒューマノイド制御のためのエンドツーエンドフレームワークである。 本稿では,マルチストリームブロックを備えた自己回帰拡散トランスフォーマーを提案する。 また,空間依存性の微粒化を明示的に捉えた対話グラフのエクスセプション表現を提案する。
  論文  参考訳（メタデータ） (2025-12-08T10:46:01Z)
• Emergent Coordination in Multi-Agent Language Models [2.504366738288215]
  マルチエージェントシステムが高次構造の兆候を示すかどうかをテストするための情報理論フレームワークを提案する。 この情報分解により、マルチエージェントLLMシステムに動的に出現するかどうかを測定することができる。 我々は,エージェントの直接通信を使わずに,単純な推測ゲームを用いた実験に本フレームワークを適用した。
  論文  参考訳（メタデータ） (2025-10-05T11:26:41Z)
• Multi-Agent Inverse Q-Learning from Demonstrations [3.4136908117644698]
  Multi-Agent Marginal Q-Learning from Demonstrations (MAMQL)は、マルチエージェントIRLのための新しいサンプル効率フレームワークである。 MAMQLは,従来のマルチエージェント手法よりも平均報酬率,サンプル効率,報酬回復率を2～5倍に向上させることを示した。
  論文  参考訳（メタデータ） (2025-03-06T18:22:29Z)
• Multi-agent Policy Optimization with Approximatively Synchronous Advantage Estimation [55.96893934962757]
  マルチエージェントシステムでは、異なるエージェントの警察を共同で評価する必要がある。 現在の方法では、バリュー関数やアドバンテージ関数は非同期に評価される対実関節アクションを使用する。 本研究では,近似的に同期する利点推定を提案する。
  論文  参考訳（メタデータ） (2020-12-07T07:29:19Z)

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。