論文の概要: SwarmEvolve: Latent Agent Swarms for Evolutionary Discovery and Optimization
- arxiv url: http://arxiv.org/abs/2611.08483v1
- Date: Thu, 05 Nov 2026 18:59:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.632311
- Title: SwarmEvolve: Latent Agent Swarms for Evolutionary Discovery and Optimization
- Title(参考訳): SwarmEvolve:進化的発見と最適化のための潜伏エージェントSwarm
- Abstract要約: LLM誘導進化探索は、AIエージェントを使用して数学的および計算問題のプログラムを改善する。
SwarmEvolveは、1ラウンドあたり数百の低コストエージェントがSwarmで作業するフレームワークです。
我々の研究は、潜伏空間で通信するエージェント・スワムが、科学的な問題を探索するための高速で低コストなアプローチを提供することを示している。
- 参考スコア(独自算出の注目度): 4.760198748215681
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: LLM-guided evolutionary search uses AI agents to improve programs for mathematical and computational problems by iteratively refining solutions and combining high-scoring methods. However, the process is often slow because the LLM generates a long textual chain of thought for each round and must repeat this generation many times to maintain population diversity. We present SwarmEvolve, a framework in which hundreds of low-cost agents per round work in swarms, reason in latent space without decoding to text, and share information by passing KV caches. Each swarm studies the problem from a different angle. A novelty filter keeps the most distinct agent ideas by directly measuring the distances between the agents' hidden state vectors. Crossover of ideas happens naturally in latent space, as a summarizer agent receives the combined KV caches of all swarm members. On 21 problems in mathematical discovery and scientific computing, SwarmEvolve gets the highest average score and needs a median of only 3 to 8 minutes to reach the best scores that other state-of-the-art frameworks reach in 60 minutes. On several problems, SwarmEvolve with Qwen3 8B improves on the solutions that AlphaEvolve first found with frontier LLMs. Our work shows that agent swarms that communicate in latent space offer a fast, low-cost approach to program search for scientific problems.
- Abstract(参考訳): LLM誘導進化探索は、AIエージェントを使用して、反復的に解を精製し、ハイスコア法を組み合わせることにより、数学的および計算問題のプログラムを改善する。
しかし、LLMは各ラウンドごとに長い文章の連鎖を生成し、人口の多様性を維持するために何度もこの世代を繰り返す必要があるため、このプロセスは遅くなることが多い。
SwarmEvolveは、ラウンド毎に数百の低コストエージェントがSwarmで作業し、テキストに復号することなく遅延スペースを推論し、KVキャッシュを渡すことで情報を共有するフレームワークである。
各群れは異なる角度から問題を研究している。
新規フィルタは、エージェントの隠れ状態ベクトル間の距離を直接測定することで、最も独特なエージェントのアイデアを保持する。
アイデアのクロスオーバーは、すべてのSwarmメンバの合計KVキャッシュを受け取るサマリエージェントとして、遅延空間で自然に発生する。
数学的な発見と科学計算の21の問題について、SwarmEvolveは最高スコアを獲得し、他の最先端のフレームワークが60分で到達する最高のスコアに到達するのに、中央値3~8分しか必要としない。
いくつかの問題において、Qwen3 8B の SwarmEvolve は、AlphaEvolve がフロンティア LLM で最初に発見したソリューションを改善している。
我々の研究は、潜伏空間で通信するエージェント・スワムが、科学的な問題を探索するための高速で低コストなアプローチを提供することを示している。
関連論文リスト
- Scalable Multi-Agent Maze Traversal with Local Communication [1.2875771631391097]
エージェントが未知の、おそらく巡回グラフを一括してトラバースできる分散アルゴリズムを提案する。
エージェントは指定されたスタートノードで順次入力され、ローカライズされ、未公表のゴールに到達する。
いずれにせよ、探査はエージェントの1人のみが行う。
論文 参考訳(メタデータ) (2026-08-12T10:21:26Z) - SwarmResearch: Orchestrating Coding Agents for Open-Ended Discovery [11.64410415121195]
オート検索のような長期にわたる符号化エージェントは、オープンエンド問題の最適化を継続的に発見することができる。
我々はSwarmResearchを紹介した。SwarmResearchは、シェパードエージェントがグローバルコンテキストを使用して検索エージェントの集団を操るオーケストレータ・サブエージェントハーネスである。
オープンエンド最適化タスクにおいて、SwarmResearchは最先端のLLM誘導進化とマルチエージェント技術に対するより良い、あるいは同等のソリューションを発見する。
論文 参考訳(メタデータ) (2026-07-02T22:47:35Z) - EVOCHAMBER: Test-Time Co-evolution of Multi-Agent System at Individual, Team, and Population Scales [27.568287645700064]
シングルエージェント学習者は、自身のコンテキストと記憶だけを進化させることができる。
マルチエージェントシステムはさらに、誰が協力するか、どのように協力するか、どのように知識が集団に流れていくのかを進化させる。
EVOCHAMBERは,共進化エージェントプール上の3つのレベルでテスト時間進化をインスタンス化する,トレーニング不要のフレームワークである。
論文 参考訳(メタデータ) (2026-05-11T18:42:33Z) - TacoMAS: Test-Time Co-Evolution of Topology and Capability in LLM-based Multi-Agent Systems [55.81570336226014]
動的マルチエージェントシステムのためのテスト時間共進化フレームワークであるTacoMASを紹介する。
TacoMASはMAS推論をオンライングラフ適応のタスクとして定式化し、ノードは役割固有の能力を持つエージェントを表し、エッジはその通信トポロジを定義する。
4つのベンチマークの実験では、TacoMASは20近いマルチエージェントベースラインを上回り、最強ベースラインよりも平均13.3%向上した。
論文 参考訳(メタデータ) (2026-05-10T13:52:00Z) - CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。
オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。
コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
論文 参考訳(メタデータ) (2026-04-02T05:59:06Z) - AgentGym-RL: Training LLM Agents for Long-Horizon Decision Making through Multi-Turn Reinforcement Learning [129.44038804430542]
本稿では,マルチターン対話型意思決定のためのLLMエージェントをRLで学習する新しいフレームワークであるAgentGym-RLを紹介する。
本研究では,探索-探索バランスと安定したRL最適化のためのトレーニング手法であるScalingInter-RLを提案する。
当社のエージェントは、さまざまな環境にまたがる27のタスクで、商用モデルにマッチするか、超えています。
論文 参考訳(メタデータ) (2025-09-10T16:46:11Z) - \(X\)-evolve: Solution space evolution powered by large language models [16.586197761629744]
X)-evolveは、代わりに解空間(X)(個々の解の集合)を進化させるパラダイムシフト法である。
スコアに基づく探索アルゴリズムは、目的関数のスコアからのフィードバックによって導かれるこのパラメトリックに定義された空間を効率的に探索する。
論文 参考訳(メタデータ) (2025-08-11T12:47:59Z) - EvolveSearch: An Iterative Self-Evolving Search Agent [98.18686493123785]
大規模言語モデル(LLM)は、検索エンジンやWebブラウザなどのツールを統合することで、エージェント情報検索機能を変革した。
本研究では,SFTとRLを組み合わせた新たな反復的自己進化フレームワークであるEvolveSearchを提案する。
論文 参考訳(メタデータ) (2025-05-28T15:50:48Z) - AgentGym: Evolving Large Language Model-based Agents across Diverse Environments [116.97648507802926]
大規模言語モデル(LLM)はそのようなエージェントを構築するための有望な基盤と考えられている。
我々は、自己進化能力を備えた一般機能 LLM ベースのエージェントを構築するための第一歩を踏み出す。
我々はAgentGymを提案する。AgentGymは、幅広い、リアルタイム、ユニフォーマット、並行エージェント探索のための様々な環境とタスクを特徴とする新しいフレームワークである。
論文 参考訳(メタデータ) (2024-06-06T15:15:41Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z)
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。