RSS VentureBeat
フォロー
スタンフォード大学のDeLM、中央オーケストレーターなしでマルチエージェントタスクのコストを50%削減
従来のAIフレームワークは、タスクを調整するために中央の「ボス」エージェントに依存しており、これはコミュニケーションのボトルネックや効率の低下につながる可能性があります。スタンフォード大学の新しいフレームワークであるDeLMは、エージェントが直接調整する分散型アプローチを提案しています。DeLMは共有知識ベースをコミュニケーション基盤として利用し、エージェントが中央コントローラーなしで検証済みの進捗に基づいて構築できるようにします。この設計は、集中型システムの非効率性や潜在的な情報歪みを回避します。従来のシステムでは、メインエージェントがタスクを分解し、割り当て、その後応答をマージすることで、単一障害点が生じます。しかし、DeLMはタスクを分散させ、エージェントが非同期にタスクを要求して作業できるようにします。このフレームワークは、タスクキューと共有コンテキストを使用し、エージェントはそこで「gist」と呼ばれるコンパクトで検証済みの更新を書き込みます。これらのgistは証拠に対してチェックされ、完全に検証されたもののみが共有されます。DeLMのパイプラインには、初期化、並列実行、圧縮と検証、そして完了を決定する最終ステップが含まれます。この分散型モデルにより、エージェントは冗長な作業を回避し、発見を再利用し、未解決の問題に集中できます。DeLMは、SWE-benchやLongBench-v2などのベンチマークで優れたパフォーマンスとコスト削減を実証しました。エージェントが失敗を共有し、検証済みの制約を活用できるようにすることで精度を向上させ、同時に「展開」メカニズムを通じてコンテキストを効率的に管理します。最終的に、DeLMはマルチエージェントシステムにおける中央コントローラーの必要性に疑問を投げかけ、より高速で、より正確で、コスト効率の高い代替手段を提供します。
