論文の概要: AgentBaton: Efficient Model Collaboration in Agentic Tasks

• arxiv url: http://arxiv.org/abs/2610.35959v1
• Date: Sun, 25 Oct 2026 06:15:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.184227
• Title: AgentBaton: Efficient Model Collaboration in Agentic Tasks
• Title（参考訳）: AgentBaton: エージェントタスクにおける効率的なモデルコラボレーション
• Abstract要約: 長期のエージェントタスクでは、言語エージェントが複数のステップで環境と対話する必要がある。 一方、性能が劣るがコストがはるかに低い効率的なモデルが登場している。 有能で効率的なモデルは、単一の長期エージェントタスク内で協調して、タスクの正確性を保ちながら、コストを大幅に削減できるだろうか?
• 参考スコア（独自算出の注目度）: 45.58115110808927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving long-horizon agentic tasks requires language agents to interact with their environments over multiple steps, and reliable performance often comes from the expensive capable models available through cloud providers. Meanwhile, alternative efficient models with inferior performance but a much lower cost are emerging, including lower-tier cloud models and smaller open-weights models deployable on local hardware. This raises a natural question that remains less explored than traditional query-level routing: can capable and efficient models collaborate within a single long-horizon agentic task to substantially reduce cost while preserving task accuracy? In this paper, we systematically investigate key design choices for such collaboration through model handoffs, where one model takes over from another, focusing on handoff direction and context transfer. We find that efficient-to-capable handoffs generally underperform capable-only execution with limited or even no cost reduction, whereas capable-to-efficient handoffs at suitable stages of task progress largely preserve or even improve accuracy while substantially reducing cost. These findings suggest that a one-time, simple, well-timed handoff strategy is good enough for cost-effective agent collaboration, motivating AgentBaton, a lightweight detector that learns when to hand off from recurring patterns in task progress. Across 11 model pairs and two representative benchmarks, AgentBaton reduces API costs by 65.9% on average while largely preserving task accuracy, with accuracy gains of up to 8.8 percentage points over capable-only execution. Experiments across various reasoning-effort settings further show that AgentBaton extends the empirical accuracy-cost Pareto frontier.
• Abstract（参考訳）: 長期のエージェントタスクを解決するには、言語エージェントが複数のステップで環境と対話する必要がある。 一方、低レベルのクラウドモデルや、ローカルハードウェアにデプロイ可能な小さなオープンウェイトモデルなど、パフォーマンスが劣るがコストがはるかに低い代替の効率的なモデルが出現している。 有能で効率的なモデルは、単一の長期エージェントタスク内で協調して、タスクの正確性を保ちながら、コストを大幅に削減できますか? 本稿では,あるモデルが他モデルから引き継いだモデルハンドオフを通じて,そのようなコラボレーションのための重要な設計選択を体系的に検討し,ハンドオフ方向とコンテキスト転送に着目した。 一方、タスク進行の適切な段階における能動能動能動能動能動ハンドオフは、コストを大幅に削減しながら、大半を保存または改善する。 これらの結果は,タスク進行の繰り返しパターンからいつ手を引き出すかを学ぶための軽量検出器であるAgentBatonを動機付け,コスト効率の高いエージェントコラボレーションに十分適していることを示唆している。 11のモデルペアと2つの代表的なベンチマークで、AgentBatonはAPIのコストを65.9%削減し、タスクの正確さを保ち、有能な実行よりも最大8.8ポイントの精度向上を実現している。 様々な理性設定での実験は、AgentBatonが経験的精度でコストのかかるParetoフロンティアを拡張していることを示している。

関連論文リスト

• What Effort Level Should I Choose? On the Economics of Reasoning Effort in LLM Agents [16.589715810241614]
  生成モデルは、推論時間計算のスケールを可能にする推論の取り組みセットを、ますます公開します。 プロプライエタリモデルとオープンウェイトモデルの両方に対する作業レベルの反実効果を測定する。 高い労力は、合計で精度を上げることができるが、少ない労力で解決したタスクでは、しばしば失敗する。
  論文  参考訳（メタデータ） (2026-10-25T18:33:17Z)
• When Is Smaller Greener? Right-Sizing Language Models for Agentic AI [1.3965477771846408]
  コールごとの比較はエージェントAIと誤解を招く可能性があることを示す。 タスクはすべての必要なステップが成功する場合にのみ成功するので、ステップごとの信頼性の小さな違いは、タスク全体の成功に大きな違いをもたらす。 エージェントでLLMを選択するための決定モデルを開発する。
  論文  参考訳（メタデータ） (2026-10-14T00:37:23Z)
• Inducing Task Models from Computer-Use Traces [50.6293197430374]
  タスクモデルインジェクション(TMI)は、制約のないトレース内の潜在タスクを検出し、同時に動作を停止する。 TMIは、観測された実行ステップの74.9%を再構築している。 TMIのタスクモデルから得られたスキルは、最強のベースラインに対して、ホールドアウトタスクの精度を30.0%向上させる。
  論文  参考訳（メタデータ） (2026-08-20T17:57:00Z)
• AgentCollab: A Self-Evaluation-Driven Collaboration Paradigm for Efficient LLM Agents [37.232397795331444]
  我々は,エージェント実行中に異なる推論能力を持つモデルを動的にコーディネートする,自己駆動型協調推論フレームワークであるAgenCollabを提案する。 外部ルーティングモジュールに頼る代わりに、このフレームワークはエージェント自身の自己反射信号を使用して、現在の推論軌道が有意義な進歩を遂げているかどうかを判断する。
  論文  参考訳（メタデータ） (2026-03-27T03:07:34Z)
• Scaling Small Agents Through Strategy Auctions [6.863341991827782]
  我々は,小エージェントの性能が深層検索やコーディングタスクにおいて,タスクの複雑さを伴ってスケールしないことを示す。 フリーランサーマーケットプレースにインスパイアされたエージェントフレームワークである、ワークロード効率のためのStrategy Auctionsを紹介する。 SALEは最大のエージェントへの依存を53%減らし、全体のコストを35%減らし、最大のエージェントのpass@1を継続的に改善することを示した。
  論文  参考訳（メタデータ） (2026-02-02T20:05:51Z)
• Efficient Agents: Building Effective Agents While Reducing Cost [48.65558640786415]
  LLM(Large Language Model)によるエージェントは、複雑なマルチステップタスクに対処するための高度なシステムを実現する。 この研究は、現代のエージェントシステムにおける効率効率性トレードオフに関する最初の体系的研究である。
  論文  参考訳（メタデータ） (2025-07-24T17:56:51Z)
• Efficient LLM Collaboration via Planning [56.081879390960204]
  小規模で大規模なモデルでは、プランナーと実行担当者として交代で行動し、タスクを協調的に解決するために、多段階のカスケードでプランを交換する。 私たちはCOPEが大規模プロプライエタリモデルに匹敵するパフォーマンスを実現し,推論APIのコストを大幅に削減できることを実証した。
  論文  参考訳（メタデータ） (2025-06-13T08:35:50Z)
• Improving Large Models with Small models: Lower Costs and Better Performance [81.55672406002715]
  我々は,小型モデルと大規模モデルの協調のための一般的なパラダイムであるData Shunt$+$ (DS$+$)を提案する。 例えば、ChatGPTはAmazon Productの感情分析で9,43%の精度を達成し、DS$+は9,5.64%の精度を達成している。
  論文  参考訳（メタデータ） (2024-06-15T14:44:43Z)

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。