日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
マルチエージェントarXiv:2610.36848

進化するエージェントチーム

Evolving Agent Teams

シェア:XThreadsFacebookLINEはてブBluesky

局所最適に陥りがちなコーディングエージェントを、中央スーパーバイザがチームを再編成し永続ファイルシステムで経験を蓄積するマルチエージェント枠組みで改善し、GPUカーネル最適化やロボット操作で高性能を達成した。

詳しい要約

1. どんなもの？

- GPU kernel optimization のような open-ended 問題に software engineering agents を適用する研究 - 既存の coding agents は実世界の expert-written kernels（例: FlashInfer）で local optima に収束するという問題を指摘 - これを脱する multi-agent framework『Evolving Agent Teams』を提案 - central supervisor と persistent file system から構成される

2. 先行研究と比べてどこがすごい？

- 既存の coding agents は実世界の expert-written kernels で local optima に収束してしまう - 提案手法はその local optima を脱出できる点が異なる - matched token budget の下で strong coding-agent baselines を一貫して上回る - extended token budget では production FlashInfer MLA paged decode kernel に対し 1.2x mean speedup を from scratch で達成

3. 技術・手法の肝は？

- 2つの構成要素からなる multi-agent framework - (1) central supervisor: 各 local optimum を診断し、agent team を再構築する - (2) persistent file system: learning document、evolution history、per-team artifacts を含む - persistent file system により蓄積された経験で restructuring を grounding する

4. どうやって有効だと検証した？

- matched token budget で strong coding-agent baselines と比較し一貫して上回ることを確認 - extended token budget で FlashInfer-Bench の production workloads 47件中36件で勝利（残り11件は0.86-0.99x） - AMD MI350X の KDA prefill で vLLM 比 3.01x、NVIDIA B200 で FlashKDA 比 3.44x - Apple silicon 上の MoE expert-offload serving や RoboDojo robot manipulation でも性能を報告

5. 議論はある？

- 既存 coding agents の local optima 収束という課題設定とその脱出可能性を示す - token budget の違い（matched / extended）で結果が変わる点が示唆的 - 残り11 workloads では 0.86-0.99x と production を下回る場合がある - 各タスクでの一般性や限界についての詳細な議論は要旨からは不明

6. 次に読むべき論文は？

- FlashInfer / FlashInfer-Bench（比較対象の production kernels とベンチマーク） - FlashKDA、vLLM（比較対象の実装） - 既存の strong coding-agent baselines（具体名は要旨からは不明） - multi-agent framework や software engineering agents の関連研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Shiyi Cao, Ziming Mao, Dacheng Li, Joseph E. Gonzalez, Ion Stoica

分類: cs.AI

原文アブストラクト

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.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI