エージェント 分野：生成AI 約1分で読める
潜在空間で考えるエージェント群「SwarmEvolve」――進化的プログラム探索を高速・低コストに
SwarmEvolve: Latent Agent Swarms for Evolutionary Discovery and Optimization
30秒でわかる要点
1ラウンドに数百の低コストエージェントが群れで働き、潜在空間で推論して情報を共有する進化探索フレームワーク「SwarmEvolve」。21課題で最高の平均スコア、最良スコアへの到達は中央値3〜8分とされる。
要約― この論文の概要は？
LLMがプログラムを反復的に改善する進化探索は、各ラウンドで長いテキストの思考過程を生成し、多様性を保つために何度も繰り返すため遅くなりがちだった。著者らは新フレームワーク「SwarmEvolve」を提案した。1ラウンドに数百の低コストエージェントが群れで働き、テキストに変換せず潜在空間で推論し、KVキャッシュを受け渡して情報を共有する。数学的発見と科学計算の21課題で最高の平均スコアを記録し、他の最先端フレームワークが60分で到達する最良スコアに中央値3〜8分で到達したという。
課題― 何を解決しようとしているのか？
LLMがプログラムを反復的に改善する進化探索は、各ラウンドで長いテキストの思考過程を生成し、多様性を保つために何度も繰り返すため、遅くなりがちだった。
手法― どのような方法で取り組んだのか？
新フレームワーク「SwarmEvolve」では、1ラウンドに数百の低コストエージェントが群れで働く。テキストに変換せず潜在空間で推論し、KVキャッシュを受け渡して情報を共有する。
結果― 何が分かったのか？
数学的発見と科学計算の21課題で最高の平均スコアを記録した。他の最先端フレームワークが60分で到達する最良スコアに、中央値3〜8分で到達したという。
限界― 注意すべき点は？
本要約の範囲では、対象が数学的発見と科学計算の21課題であり、それ以外のタスクへの一般化や再現条件の詳細は示されていない。
ビジネスで使えるか― 実務にどう活かせるか？
最適化や探索型の処理をAIで回している場合、「少数の高性能モデルを長く考える」だけでなく「多数の低コストエージェントを群れで回す」設計がコストと速度の選択肢になる。
キーワード
本ページの事実記述は、収集時点の要約（リード）の範囲に基づきます。数字や評価の詳細は原文でご確認ください。
関連論文
エージェント 定番 原論文 2022年 約2分で読める
ReAct――「考える」と「行動する」を交互に行うLLMエージェントの基本形
ReAct: Synergizing Reasoning and Acting in Language Models
要点LLMに推論の過程（Reasoning）と行動（Acting）を交互に生成させる「ReAct」を提案。Wikipedia APIで情報を取りに行くことで思考の連鎖の幻覚や誤りの連鎖を抑え、対話型の意思決定タスクでは模倣学習・強化学習を成功率で34%・10%上回った。
エージェント 定番 原論文 2023年 約2分で読める
Generative Agents――記憶・振り返り・計画を持つAIエージェント25人が、小さな町で人間らしく暮らす
Generative Agents: Interactive Simulacra of Human Behavior
要点LLMに経験の記録・振り返り（リフレクション）・記憶の検索を組み合わせ、人間らしい行動をシミュレートする「生成エージェント」を提案。25人のエージェントが暮らす町で、1人がバレンタインパーティーを開きたいという設定だけから、招待や約束、当日の集合が自律的に起きた。
エージェント 定番 原論文 2023年 約2分で読める
Toolformer――言語モデルが電卓や検索などの道具の使い方を自分で学ぶ
Toolformer: Language Models Can Teach Themselves to Use Tools
要点どのAPIを、いつ、どんな引数で呼び、結果をどう使うかを、各APIにつき数例の手本だけから自己教師ありで学ぶ「Toolformer」を提案。電卓・検索・翻訳・カレンダーなどを使えるようになり、より大きなモデルに匹敵するゼロショット性能を示した。