論文の概要: Goal-Aware Dynamic Multi-Agent Collaboration for Long-Horizon Tasks

• arxiv url: http://arxiv.org/abs/2610.39193v1
• Date: Thu, 29 Oct 2026 02:15:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.029718
• Title: Goal-Aware Dynamic Multi-Agent Collaboration for Long-Horizon Tasks
• Title（参考訳）: 長距離タスクのためのゴール対応動的マルチエージェント協調
• Abstract要約: 本研究では,長期執行における単一エージェントの業務管理方法について検討する。 エージェントは全体目標の追跡を失い、事前の調査を繰り返すことができる。 本稿では,サブタスクとその依存関係を整理するためのGAD(Goal-Aware Dynamic Multi-Agent Collaboration)を提案する。
• 参考スコア（独自算出の注目度）: 56.175672744850004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based agents are increasingly used to complete complex, long-horizon tasks without human intervention. To make progress toward the task goal, agents need to perform different duties, such as planning and verification, when needed. To understand how single agents manage these duties during long-horizon execution, we conduct a preliminary study. Our analysis shows that verification has the strongest association with task success, but often occurs late, leaving limited opportunities for correction. We also find that the proportion of duty-relevant information decreases as records from different duties accumulate in a shared context. These findings lead us to examine whether multi-agent systems (MAS) can address these problems by assigning duties to agents with separate contexts. Our analysis shows that this separation alone is insufficient. Agents can lose track of the overall goal and repeat prior investigations. They may also lack necessary background while receiving irrelevant information from others. To maintain goal awareness and coordinate collaboration as task needs change, we propose Goal-Aware Dynamic Multi-Agent Collaboration (GAD). It uses a growing execution graph to organize subtasks and their dependencies. To keep agents focused on their goals, each context retains the original instruction and the assigned task's goal and acceptance conditions. To adapt collaboration and information sharing during execution, agents can divide tasks into subtasks and specify dependencies based on execution evidence. These dependencies guide when agents work and which results they receive. Verification and recovery check subtask results and full task completion against their goals, providing feedback for repair when checks fail.
• Abstract（参考訳）: LLMをベースとしたエージェントは、人間の介入なしに複雑で長期にわたるタスクを完了させるのにますます使われている。 タスク目標に向けて前進するには、必要に応じて計画や検証など、さまざまな任務を実行する必要がある。 長期執行における単一エージェントの業務管理方法を理解するため,予備的研究を行った。 我々の分析では、検証はタスクの成功と最も強く結びついているが、しばしば遅刻し、修正の機会は限られている。 また、異なる業務からの記録が共有コンテキストに蓄積されるにつれて、義務関連情報の比率が低下することが判明した。 これらの結果から,マルチエージェントシステム(MAS)が,異なるコンテキストのエージェントにタスクを割り当てることで,これらの問題に対処できるかどうかを検討することができた。 我々の分析は、この分離だけでは不十分であることを示している。 エージェントは全体目標の追跡を失い、事前の調査を繰り返すことができる。 また、他人から無関係な情報を受け取っている間は、必要なバックグラウンドが欠落する可能性がある。 タスク要求の変化に応じて目標認識と協調の協調を維持するため,目標認識動的マルチエージェントコラボレーション(GAD)を提案する。 サブタスクとその依存関係を整理するために、増大する実行グラフを使用する。 エージェントを目標に集中させるために、各コンテキストは元の命令と割り当てられたタスクの目標と受け入れ条件を保持します。 実行中のコラボレーションと情報共有に適応するために、エージェントはタスクをサブタスクに分割し、実行エビデンスに基づいて依存関係を指定することができる。 これらの依存関係は、エージェントがいつ動作し、どの結果を受け取るかをガイドする。 検証とリカバリは、サブタスクの結果と目標に対する完全なタスク完了を確認し、チェックが失敗した時に修正のためのフィードバックを提供する。

関連論文リスト

• Navalia: Advancing Cowork Agents through Verifiable Task Synthesis and Long-Horizon Post-Training [15.05939575231829]
  Navaliaは、検証可能なタスク合成と長距離ポストトレーニングを組み合わせた、コワークエージェントのためのフレームワークである。 筆者らは,Navaliaがエビデンス統合,ツール使用,長期タスク実行機能を改善することを実証した。
  論文  参考訳（メタデータ） (2026-10-13T07:19:22Z)
• AgentEvolver: System-Wide Self-Evolution Through Task Execution [32.98364264400361]
  本稿では,AgentEvolverについて紹介する。AgentEvolverは,基礎モデルを固定しながらタスク実行中に機能を開発するシステムである。 SWE-bench Pro Publicにおける課題成果を評価し、6つのアプリケーションケースにおける能力変化について検討する。 チームは82.08%の解像度で進化し、進化せずにベースラインを超えると報告している。
  論文  参考訳（メタデータ） (2026-10-08T09:55:05Z)
• The Hard Part Comes After Search: Benchmarking Web Agents on Synthesizing, Organizing, and Displaying Knowledge [37.21080040024616]
  KNOWSは、これらの機能を共同で評価する、オープンで複雑なブラウザベースのタスクのベンチマークである。 タスクを書くためには,タスクが要求を満たすことを保証するためのタスク設計とプロトコルを開発する。 我々は、フロンティアコンピュータ利用エージェントとブラウザベースのハーネスを評価し、分析する。
  論文  参考訳（メタデータ） (2026-09-24T22:36:10Z)
• From Question Answering to Task Completion: A Survey on Agent System and Harness Design [67.8241530947325]
  本研究はモデルハーネスレンズを用いてLCMをベースとしたエージェントについて検討する。 まず, LLMをベースとしたエージェントを基礎モデルと実行ハーネスとして, エージェントの機能的定義と実装の視点を明らかにする。 次に、モデル中心のスケーリングの限界を分析し、エージェントエンジニアリングの4つのパラダイムをトレースし、実行ハーネスを6つの結合ランタイム責任に分解する。
  論文  参考訳（メタデータ） (2026-06-14T05:40:16Z)
• Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
  大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。 本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
  論文  参考訳（メタデータ） (2026-05-07T14:19:17Z)
• Can LLM Agents Solve Collaborative Tasks? A Study on Urgency-Aware Planning and Coordination [4.511923587827302]
  大規模言語モデル(LLM)は、コミュニケーション、計画、推論において強力な能力を示している。 本研究は,マルチエージェント協調作業におけるLCMの強みと失敗モードに関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2025-08-20T11:44:10Z)
• Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
  マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。 経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。 推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
  論文  参考訳（メタデータ） (2025-05-29T07:24:37Z)
• Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
  既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。 タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。 我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
  論文  参考訳（メタデータ） (2022-10-12T15:02:04Z)
• LDSA: Learning Dynamic Subtask Assignment in Cooperative Multi-Agent Reinforcement Learning [122.47938710284784]
  協調型MARLにおける動的サブタスク代入(LDSA)を学習するための新しいフレームワークを提案する。 エージェントを異なるサブタスクに合理的に割り当てるために,能力に基づくサブタスク選択戦略を提案する。 LDSAは、より優れたコラボレーションのために、合理的で効果的なサブタスクの割り当てを学習していることを示す。
  論文  参考訳（メタデータ） (2022-05-05T10:46:16Z)

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。