Fugu-MT 論文翻訳(概要): Evolving Agent Teams

論文の概要: Evolving Agent Teams

arxiv url: http://arxiv.org/abs/2610.36848v1
Date: Tue, 27 Oct 2026 08:46:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-29 04:15:49.248331
Title: Evolving Agent Teams
Title（参考訳）: エージェントチームを進化させる
Abstract要約: 既存のコーディングエージェントは、実世界のエキスパートが書いたカーネル上で局所最適化に収束する。ローカルな最適化から逃れるマルチエージェントフレームワークであるEvolving Agent Teamsを紹介する。 1)各ローカルの最適度を診断し、エージェントのチームを再構成する中央スーパーバイザーと、(2)学習文書を構成する永続ファイルシステムとを備えている。
参考スコア（独自算出の注目度）: 58.34711503048237
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The rapid progress of software engineering agents drives interest in applying them to open-ended problems such as GPU kernel optimization. However, we find that existing coding agents converge to local optima on real-world, expert-written kernels (e.g., FlashInfer). We introduce Evolving Agent Teams, a multi-agent framework that escapes such local optima. It features (1) a central supervisor that diagnoses each local optimum and restructures a team of agents; and (2) a persistent file system that comprises a learning document, an evolution history, and per-team artifacts, grounding restructuring with accumulated experience. Under a matched token budget, Evolving Agent Teams consistently outperforms strong coding-agent baselines. With an extended token budget, Evolving Agent Teams generates a CUDA kernel that reaches 1.2x mean speedup over the production FlashInfer MLA paged decode kernel from scratch and wins on 36 of 47 production workloads from FlashInfer-Bench (0.86-0.99x on the remaining 11). It also demonstrates superior performance on tasks such as KDA prefill on AMD MI350X (3.01x over vLLM) and NVIDIA B200 (3.44x over FlashKDA), MoE expert-offload serving on Apple silicon (30.3 tokens/s decode for Qwen3.8-Flash-Next in MLX 4-bit on a 48 GB M4 Pro), and RoboDojo robot manipulation (62.1 on held-out seeds vs. 55.3 for the best leaderboard entry). Code is available at https://github.com/caoshiyi/EAT.
Abstract（参考訳）: ソフトウェアエンジニアリングエージェントの急速な進歩は、GPUカーネル最適化のようなオープンな問題に適用することに関心を向けている。しかし、既存のコーディングエージェントは、実世界のエキスパートが書いたカーネル(例えば、FlashInfer)上で、ローカルな最適化に収束している。ローカルな最適化から逃れるマルチエージェントフレームワークであるEvolving Agent Teamsを紹介する。 1)各ローカルの最適度を診断し、エージェントのチームを再構成する中央管理者と、(2)学習文書、進化史、チームごとのアーティファクトを含む永続的なファイルシステムを備え、蓄積した経験で再構築を行う。一致するトークン予算の下では、Evolving Agent Teamsは、強力なコーディングエージェントベースラインを一貫して上回る。トークン予算の延長により、Evolving Agent TeamsはCUDAカーネルを生成し、プロダクション上で1.2倍の速度でFlashInfer MLAページ化されたデコードカーネルをスクラッチから生成し、残りの11では、FlashInfer-Bench (0.86-0.99x)から47のプロダクションワークロードのうち36で勝利する。また、AMD MI350X (3.01x over vLLM) やNVIDIA B200 (3.44x over FlashKDA) のKDAプリフィル、Apple Silicon のMoEエキスパートオフロード(Qwen3.8-Flash-Next in MLX 4-bit on a 48 GB M4 Pro)、RoboDojo ロボット操作 (62.1 on held-out seed vs. 55.3 for the best leaderboard entry) などのタスクでも優れたパフォーマンスを示している。コードはhttps://github.com/caoshiyi/EAT.comで入手できる。

関連論文リスト

FrontierCS 2: A Benchmark for Computer Science R&D [127.13977721494204]
我々は48のオープンエンドタスクのベンチマークであるFrontierCS 2を紹介する。私たちは、論文とその著者がリリースしたコードを取り、論文の貢献を削除します。それぞれのパッチに対して、審査員は開発適格スコアを返すが、評価者、保持された最終スイート、参照プライベートを保持する。
論文参考訳（メタデータ） (2026-10-21T16:04:27Z)
DuoDiscover: Scaling Autonomous Discovery Beyond the Evaluation Bottleneck [114.73386698321592]
評価はAIの進歩の中心であり、自律的な発見にも等しく重要である。提案するDuoDiscoverは,最適化方法と進捗を効率的に評価する方法を共同で発見する検索システムである。我々は、DuoDiscoverを2つのリポジトリレベルのベンチマークと、数百のカーネルをカバーするGPUとTPUカーネルスイートで実証した。
論文参考訳（メタデータ） (2026-10-12T17:54:30Z)
LLM4LLM: Bridging Kernel Benchmarks and Real Deployment via Closed-Loop Agentic Optimization [7.393546440833148]
大規模言語モデルは、低レベルのコードとカーネル最適化のために、ますます有能なエージェントになっている。デプロイ対応のクローズドループ最適化フレームワーク LLM4LLM を紹介する。評価されたモデルごとにエンドツーエンドのレイテンシを改善し、A100/H100で3.91$times$/6.98$times$ometry-meanスピードアップを達成する。
論文参考訳（メタデータ） (2026-08-22T08:12:16Z)
AsmEvo: Agentic Assembly-Level Optimization of AMD GPU Kernels with Functional Equivalence Verification [21.700338424307517]
本稿では,AMD GPUカーネル用のエージェント組立レベルウェアAsmEvoを紹介する。 AsmEvoは、コードオブジェクトのリカバリ、メタデータのリカバリ、プロファイリングガイド付きホットウィンドウの編集、正確性に制限されたタイミング、パッチのフォールバックを組み合わせたものだ。 MI308Xでは、AsmEvoは選ばれた30のBenchカーネルの29を改良し、平均1.35倍、最大3.88倍のスピードアップを達成した。
論文参考訳（メタデータ） (2026-08-21T03:34:22Z)
CAKE: Compiler-Agent Co-Design for Frontier Kernel Evolution [8.254499148634542]
CAKEはコンパイラーエージェントの共同設計であり、CAKE IRは型付きハードウェア仕様のスケジュール表現である。 CCAKEは、検証、コストモデリング、局所診断をサポートしながら、ワープロール、メモリ移動、同期、パイプラインを公開する。
論文参考訳（メタデータ） (2026-08-12T22:31:32Z)
Harness Engineering for LLM-Driven GPU Kernel Generation [1.375573703671189]
大規模言語モデル(LLM)はGPUカーネル生成を支援するが、その実用性は生成したコードが確実に制約され、検証され、プロファイルされ、選択されるかどうかに依存する。本稿では,MLSys 2026 FlashInfer AI Kernel Generation ContestにおけるLLM駆動型GPUカーネル最適化のためのハーネス中心システムを提案する。
論文参考訳（メタデータ） (2026-07-20T14:14:14Z)
VisualClaw: A Real-Time, Personalized Agent for the Physical World [76.89211120690028]
2つの原則に基づいて構築された自己進化型マルチモーダルエージェントであるVisualClawを紹介する。第一に、ハイブリッド符号化は、情報の少ないストリーミングフレームをカスケードゲートでフィルタリングすることにより、デプロイメントコストを低減する。第二に、スキルの進化により、エージェントは失敗から学び、将来の質問に役立つスキルバンク更新を生成する。
論文参考訳（メタデータ） (2026-06-15T06:58:22Z)
Shepherd: A Runtime Substrate Empowering Meta-Agents with a Formalized Execution Trace [37.66254228361724]
ターゲットエージェントのメタエージェント操作を関数として形式化する関数型プログラミングモデルであるShepherdを紹介する。 Shepherdは、すべてのエージェントと環境のインタラクションをGitライクな実行トレースの型付きイベントとして記録し、過去の状態をフォークして再生することができる。このシステムは、エージェントプロセスと、Dockerよりも5ドル高速にフォークし、リプレイ時のプロンプトキャッシュの再利用を95%以上達成している。
論文参考訳（メタデータ） (2026-05-11T17:50:51Z)
Workspace Optimization: How to Train Your Agent [49.579258311548635]
我々はエージェントのEmphworkspaceであり、それが読み取り、書き込み、テストする構造化された外部基質であると主張している。本稿では,重み空間トレーニングの構造を反映して,作業空間を進化させる原理的手法を提案する。 ARC-AGI-3のマルチエージェントハーネスであるDreamTeamのアイデアをインスタンス化する。
論文参考訳（メタデータ） (2026-05-10T16:52:10Z)
Kernel-Smith: A Unified Recipe for Evolutionary Kernel Optimization [48.656549870801285]
Kernel-Smithは高性能GPUカーネルと演算子生成のためのフレームワークである。エージェント側では、Kernel-Smithは実行可能な候補の集団を維持し、反復的にそれらを改善している。トレーニング側では、長距離進化軌道をステップ中心の監視と強化学習信号に変換する。
論文参考訳（メタデータ） (2026-03-30T12:12:49Z)

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。