タイムライン検索

2026年4月22日

中国のAI企業Moonshot AIは、新型会話型AI「Kimi K2.6」を発表した。今回のアップデートの最大の特徴は、複数のエージェント機能を同時に連携させられる点だ。 従来のAIシステムでは単一のエージェントが個別のタスクを処理していたが、K2.6では異なる役割を持つ複数のエージェントを組み合わせることで、より高度で複雑な業務に対応することが可能になった。これにより、データ分析から文書作成、プロジェクト管理など、多段階のプロセスが必要とされる作業をより効率的に実行できるようになる。 同社によれば、このマルチエージェント連携機能により、AIの汎用性が大幅に向上し、ビジネスや研究開発など様々な分野での応用範囲が拡がることが期待されている。 （引用元：Moonshot AI）

2026年5月12日

Geminiで構築された協調的AIパートナー「Co-Scientist」を紹介。研究者が科学的なブレークスルーを加速させるのを支援する。

Google DeepMind

2026年5月27日

このポストでは、統合アーキテクチャを使用して、並列推論、コンテキスト永続性、追跡可能な実行パスを実証するマルチエージェントキャンペーンレビュー システムの構築方法を学ぶことができます。

AWS Machine Learning Blog

2026年5月27日

このポストでは、LangGraphエージェントをオーケストレーターとして統合し、Amazon Bedrock AgentCore Memoryと連携させて、AWS上に高度にスケーラブルでサーバーレスなマルチエージェント生成AI システムを構築するソリューションを提供しています。

AWS Machine Learning Blog

2026年5月29日

人間の協調は、戦略的行動を通じて他者の信念に影響を与える能力に依存している。マルチエージェント強化学習では、対戦相手形成がこの影響を複製しようとしているが、既存の方法は通常、対戦相手のパラメータ、ポリシー、または価値空間内で動作している。

arXiv cs.AI

2026年5月29日

大規模言語モデル(LLM)は流暢な対話を生成できますが、先行研究は状況的な根拠付け、動的戦略制御、および動機面接(MI)の臨床基準に合致した評価が不足しています。我々はStoryMIを導入しました。これは制御可能なMI対話生成のための複数LLMエージェントフレームワークです。

arXiv cs.CL

2026年5月29日

ハルシネーションは本番LLMシステムにおける主要な信頼性の障壁であり、特にマルチエージェントパイプラインでは根拠のない主張が段階を通じて伝播する可能性があります。本論文は、HOPE着想のネストされた学習アーキテクチャとコンティニュアムメモリシステム(CMS)を応用しています。

arXiv cs.AI

2026年6月1日

本論文は、光学およびSAR衛星を含む地球観測ミッションを実施する異種衛星クラスターにおける自律的なリソース管理の問題に対処し、自動運用モードでは衛星に知的能力を備える。

arXiv cs.AI

2026年6月1日

マルチエージェントLLMシステムはしばしば合意を証拠として扱い、パネル内の多くのエージェントが同じ答えを出した場合、その答えはより信頼性が高いと想定される。本研究は、エージェント間の通信後にこの仮定が失敗する可能性があることを示す。通信は相関した失敗と偽の合意を引き起こす可能性がある。

arXiv cs.CL

2026年6月1日

状態拡張ポリシー学習と双対変数の分散コンセンサスを組み合わせた制約付きマルチエージェント強化学習の分散アプローチを提示する。本手法は、エージェントが分離可能なダイナミクスを持つシステムを対象とし、グローバルリソース制約を満たすために調整する必要がある。

arXiv cs.LG

2026年6月2日

マルチエージェント戦略的相互作用のための言語モデルエージェントの訓練には、中核的な困難が存在します。任意のアクションの質は、実現しなかった将来のイベント、ゲーム規則に違反する動き、または他のプレイヤーの決定に依存する可能性があります。標準的な強化学習はこれを想定していません。

arXiv cs.AI

2026年6月2日

AIエージェントが孤立したツールから共有知識エコシステムの協力的参加者へと移行する中、集団的知識の選別ガバナンスが重要な課題となっています。人間のプラットフォームガバナンスメカニズムは直接適用できません。エージェントの無ステート性は抑止力ベースの制裁を損なうため。

arXiv cs.AI

2026年6月3日

人間が睡眠中に記憶を整理するメカニズムにならい、大規模言語モデルに「睡眠」機能を導入する研究がarXivで発表された。 研究では、言語モデルが継続的に学習する際、短期的に獲得した情報を長期的な知識として定着させるプロセスが課題となっていることに着目。人間の睡眠が記憶統合と夢見のプロセスを通じて知識を整理することに着想を得たアプローチを提案している。 具体的には、小規模なモデルで得られた学習成果を、より大規模なニューラルネットワークに効率的に転写する「知識蒸留」と呼ばれる手法を活用。これにより、モデルが自己修正と知識の統合をより安定して実行できるようになるという。 従来の機械学習では学習データの偏りや不安定な自己改善が問題だったが、この睡眠パラダイムの導入により、より堅牢で信頼性の高い継続学習が実現する可能性が示唆されている。 （引用元：arXiv cs.AI）

2026年6月4日

マルチエージェント推論システムの効率化に向けた新しいアプローチが提案された。従来の方式では、推論を完了した後に結果を次のエージェントに転送していたため、システムの深さに応じて処理遅延が増加していた。 新手法「StreamMA」は、この課題に対し、各推論ステップを逐次的に後続エージェントへ送信する仕組みを導入。これにより、全プロセスの完了を待つことなく、段階的に情報を流通させることが可能となる。 注目される点は、推論の初期段階ほど信頼性が高いという特性を活用している点。信度の高い段階の情報のみを選別して利用することで、エラーの発生を抑制しながらシステム全体の精度向上を実現しているという。 この手法により、複数のエージェントが連携する推論システムにおいて、応答時間の短縮と信頼性の向上を両立させることが期待される。 （出典：arXiv cs.CL）

2026年6月4日

はじめに Google I/O 2026で一番の衝撃は、新モデルではなく Antigravity 2.0 でした。AI搭載IDEだった1.0から、マルチエージェント・オーケストレーション基盤へと完全に生まれ変わったのです。 内部テストの数字は圧倒的です： 93体のエ...

Qiita 人気記事

2026年6月8日

自然言語テキストから複雑な推論を形式化することは、計算言語学における中心的な課題である。現在の議論マイニング技術は基本的な主張と前提を識別するが、前提のタイプ、証明基準、議論スキームなどの特徴を組み込むカーネアデス議論枠組み（CAF）といった高度なスキーマが必要とする豊かな構造情報を捉えるのに苦労している。本研究は、浅い議論構造をCAF準拠の議論モデルに充実させるために設計された自動マルチエージェントフレームワークCAF-Genを導入することでこの制限に対処している。反復的なクリエイター・レビュアーパイプラインを採用することで、クリエイターエージェントの出力は批評的エージェントによって検証され、構造的整合性が確保される。このマルチエージェント協働は、単一パス生成モデルに典型的な構造的不安定性を軽減するために重要である。実験結果は、反復的なフィードバックループが結果データの品質を向上させ、元のアノテーションとの強い一致を達成しながら、構造的により豊かなモデルを生成することを示している。

arXiv cs.CL

2026年6月10日

データジャーナリストエージェント「Data2Story」は、生のデータから非専門家が信頼できる物語を生成するマルチエージェントフレームワークです。 このシステムは、データの分析、視覚化、記事作成までを一貫して行い、仮想のニュースルームとして機能します。 すべての主張がデータ、コード、外部参照に根拠を持つ検証可能性と、読者のニーズに応じたマルチモーダルな記事生成が特徴です。

arXiv cs.CL

2026年6月10日

Google DeepMindとパートナー企業が、マルチエージェントAIの安全性研究のために1000万ドルの資金提供を呼びかけています。

Google DeepMind

2026年6月10日

Google DeepMindは、複数の人工知能（AI）システムが相互に作用する「マルチエージェントAI」の安全性研究に対し、1,000万ドルの助成金を供与すると発表しました。この資金は、同社が提携する研究機関を通じて提供されます。 近年、AI技術の発展は目覚ましく、単一のAIだけでなく、複数のAIが連携して動作するシステムの開発が進んでいます。しかし、このような複雑なシステムにおいては、個々のAIが安全に設計されていても、それらが相互作用する過程で予期せぬ問題が発生する可能性が指摘されています。 今回の助成金は、マルチエージェントAIシステムにおける潜在的なリスクを特定し、そのリスクを軽減するための新たな研究を支援することを目的としています。具体的には、複数のAI間の協調性、競合、あるいは誤作動が引き起こす可能性のある問題に対し、どのようにして堅牢で安全なシステムを構築するかといったテーマが研究対象となる見込みです。 Google DeepMindは、この取り組みを通じて、AI技術が社会に安全かつ有益な形で統合されるための基盤を強化したい考えです。 引用元: Google DeepMind

Google DeepMind

2026年6月11日

arXiv:2606.11199v1 新規発表。 本稿では、NeurIPS 2025のMMU-RAGentコンペティションに提出され、テキスト間生成タスク部門でベストダイナミック評価を受賞した、構造化マルチエージェント検索拡張生成（RAG）システム「NightFeats」を紹介します。ベンチマーク最大化を目標とするのではなく、本研究は知識合成を検索、キュレーション、構成の3つの連携フェーズに分解する原則的なパイプラインを提案します。各フェーズは、明示的な中間表現とハンドオフ契約によって管理されます。エージェンティックコンテキストエンジニアリング（ACE）に着想を得て、本システムは、時間的意味的再ランキング、有界矛盾解消、引用保存構成をコアアーキテクチャプリミティブとして導入しています。

arXiv cs.CL

2026年6月12日

数百万のAIエージェントがネット上で互いにやり取りするようになったとき、何が起きるのか。グーグル・ディープマインドは、その答えを探る安全性研究に、パートナーと組んで1000万ドルを投じる。リスクが深刻になる転換点は数カ月先だと見て、いまから備えるねらいだ。

ASCII.jp

2026年6月16日

言語モデルエージェントがチームで協力する機会が増える中、各エージェントはチームメイトをどれだけ信頼するかを決定する必要があります。しかし、AIエージェント間の信頼を測定する標準的な方法がありません。本研究では、コストのかかる検証に基づく行動測定法を提案します。協力的なサバイバルゲームでは、チームメイトの作業をチェックするにはリソースを消費しますが、間違った答えを信頼すると致命的になり得ます。同じモデルの記憶のないバージョンと比較して、検証の削減は信頼の観測可能な尺度を提供します。このフレームワークを使用して、6つの最先端モデルのスナップショットにわたる信頼の形成、破綻、回復を調査します。一貫して信頼できるチームメイトとペアになった場合、4つのスナップショット（Claude Opus 4.6、Claude Sonnet 4.6、GPT-5.1、Gemini 3.1 Pro）は検証を約60〜85％削減しましたが、2つのより小さなスナップショットはほとんど調整を示しませんでした。失敗は信頼の割引を逆転させますが、モデルの対応は異なります。

arXiv cs.AI

2026年6月17日

大規模言語モデル（LLM）は、受動的な会話アシスタントから、目標を理解し、行動を計画し、ツールを呼び出し、多段階のタスクを実行できる自律エージェントへの移行を加速させています。しかし、単一エージェントの能力は、ローカルデータ、ツール権限、実行環境、およびガバナンスの境界によって依然として制限されています。本稿では、分散型汎用エージェントネットワークについて考察します。これは、個人のデバイス、エッジノード、または自律コンピューティング環境に展開された異種エージェントがお互いを発見し、信頼を確立し、協力ルールを交渉し、オープンエンドなタスクを実行できる、オープンなピアツーピアネットワークです。このようなネットワークは、既存のピアツーピアオーバーレイと従来のマルチエージェントシステムを単純に組み合わせるだけでは得られないと論じます。従来のP2Pネットワークとは異なり、エージェントネットワークは、意図、能力、状態、および協力制約に関するセマンティック宣言を伝播する必要があります。

arXiv cs.AI

2026年6月18日

ネットワーク化されたサイバーフィジカルシステムにおける安全な協調は、学習アルゴリズムにハイブリッドな離散・連続アクション、厳格な学習時間安全制約、物理法則に支配されたダイナミクスを同時に処理することを強制します。これら3つの特徴が、既製のモジュールの単純な組み合わせを無効にするバイアスの有向サイクルを形成することを示し、これを3者結合補題として形式化します。次に、3つのコンポーネントが互いの漏洩を相殺するように共同設計された初のMARLフレームワークであるTRIDENTを導入します。具体的には、Gumbel-SoftmaxバイアスをO(tau)からO(tau^2)に低減するRichardson-Romberg勾配補正、反復ごとの実行可能性を強制するLyapunov制約付き逐次信頼領域更新、報酬ではなく価値を分解する物理情報付き残余クリティックです。制約付きナッシュ均衡へのO~(1/sqrt(K))収束率と、累積違反に対するO(sqrt(K))バウンドを証明します。

arXiv cs.LG

2026年6月19日

大規模言語モデル（LLM）は、自身の出力が人間の倫理観と乖離している場合にそれを識別できるのか？そして自己修正は可能か？我々はLLMに、自身の推論と出力をレビューする「良心ステップ」を付与し、訓練損失に直接選好最適化（DPO）を用いたアライメントコンポーネントを拡張して、非倫理的な出力からモデルを逸脱させる。この結果、訓練、ファインチューニング、敵対的プロンプティング、ゼロショット学習など、幅広いアプリケーションでモデルをアライメントさせるオンライン技術が実現する。これは、より弱い、あるいはより強いジャッジを必要とせず、代わりに自身の凍結されたコピーに依存する。以前の研究である「創発的乖離」シナリオでは、モデルをハッキングコードにファインチューニングすることで、様々な創発的な非倫理的行動が示された。それに対し、我々は「創発的アライメント」を達成する方法を実証的に示す。単一のハイレベルな内省的な質問が、同じコードハッキングシナリオ下で、訓練を倫理的なモデルへと導く。

arXiv cs.AI

2026年6月19日

エージェントが数ラウンドにわたって回答を交換・修正するマルチエージェントLLM討議は、推論と精度を向上させるためにますます利用されていますが、その仕組みや理由についてはほとんどモデル化されていません。このような討議は、人間が意思決定に至るプロセスを反映しています。社会的な動物である私たちは、古典的な意見ダイナミクスモデル（DeGrootやFriedkin-Johnsenなどが捉える）が捉える集団、いわゆる herd effect にも、そしてそれらのモデルでは捉えきれない自身の内なる信念にも影響されます。私たちは、マルチエージェント討議を、各エージェントが隠れた内なる信念（アンカー）を持ち、それが近隣の意見に関わらず常に自身の意見を引き寄せるような、クローズドループの力学系としてモデル化します。このアンカーは討議からのみ回復可能であり、古典的な合意規則が禁じる振る舞い、すなわちエージェントの正解に対する信頼度が、いずれかのエージェントが開始した時点を超えて上昇し、初期の信念によって形成される空間（凸包）から脱出する現象を説明することを示します。

arXiv cs.AI

2026年6月22日

Sakana AIは6月22日、複数のAIモデルを1つのAPIから動かすマルチエージェント型システム「Sakana Fugu」と、高性能版「Fugu Ultra」の提供方針を明らかにした。

ASCII.jp

2026年6月22日

Sakana AIは6月22日、マルチエージェントオーケストレーションシステム「Fugu」、「Fugu Ultra」をOpenAI互換APIとして提供開始した。価格はサブスクリプションプランが3種類あり、Standardは月20ドル、Proは月100ドル、Maxは月200ドル。

PC Watch

2026年6月23日

マルチLLMシステムは、複数の言語モデルを使用して、議論したり、互いの出力を評価したり、エージェントとして協調したりします。これらのシステムの価値は、同じ入力が与えられたときに、モデルが測定可能に異なる会話行動を生み出すかどうかに依存します。以前のオフライン研究では、行動の多様性のために、ファミリーごとに1つのモデルを抽出することが推奨されてきました。なぜなら、LLMは孤立して互いを評価する際に、自身のファミリーからの出力を好む傾向があるからです。同じファミリーラベルが、実際の展開システムが使用する設定であるインタラクティブなマルチLLMシステムでの行動を予測するかどうかは、テストされていませんでした。私たちは、94万チェーン、11チェックポイントのコーパスと、160万チェーンの同一ベースのLlamaファクトリアルを用いてこれを研究しました。検証済みのヘッドラインメトリックであるヘッジングにおいて、推論蒸留されたLlamaチェックポイントは、どの同一ベースのパートナーに応答するかによって18%シフトし、これは制御されたサブセットにおけるファミリー間のヘッジングギャップよりも大きいです。

arXiv cs.CL

2026年6月23日

マルチエージェントディベートは、反復的なピアレビューを通じて大規模言語モデル（LLM）の信頼性を向上させます。しかし、固定トポロジーはしばしば永続的な位置バイアスを導入し、信頼性の低いエージェントを増幅させ、役割割り当てへの高い感度を引き起こします。本稿では、推論時に通信役割とスパーストポロジーを連続的なディベートラウンド間で動的に再構成する推論時間プロトコル、Permutation-Equivariant Adaptive Routing Multi-Agent Debate (PEAR) を紹介します。進化するエージェントの状態に基づいて戦略的にエージェントから役割への割り当てを切り替えることで、PEARはエージェントが特権的なネットワーク位置を永続的に占めることを防ぎ、またはディベート全体にわたって影響力をより均等に分散させます。PEARを同変スパースルーターとして理論的に特徴付けます。これは、エージェントの再ラベリング下での精度を維持しつつ、ルーティング複雑性を低減し、汎化性能を向上させます。

arXiv cs.AI