AI ニュースを検索

蒸留、議論、発見：グラフから抽出されたインサイトに基づくマルチエージェント研究アイデア創出

arXiv:2610.33366v1 公表タイプ：新規 要旨：大規模言語モデル（LLMs）は、研究アイデアの生成や科学的発見を支援するためにますます活用されています。マルチエージェントによるディベートは、多様な視点を結集して研究アイデアを生み出す協調的な手法です。しかし、重要な課題は、各エージェントにそれぞれ独自で有意義な専門知識を持たせ、その貢献を適切に導く方法を見いだすことです。研究者が共同作業の過程で蓄積された研究成果を活用するように着想を得て、私たちはInsightAgentsというフレームワークを提案します。これは、関連論文のグラフからインサイトを蒸留することで、文献に基づいたエージェントの専門知識を構築するものです。研究の一貫性を追跡し、背後にある仮定を明らかにし、未解決の課題を特定するといったインサイトに導かれながら、ある研究分野において

arXivの新論文では、証拠の検証と重み付けの更新を不要とするプロンプトの修正をサポートする、追跡可能な多モーダル感情推論のエージェントフレームワークが提案されています。

2026年10月26日、arXivはプレプリント論文（番号2610.31685v1）を公開し、凍結型の大規模モデルに基づく追跡可能な多モーダル感情推論エージェントのアーキテクチャを提案した。このアーキテクチャは、モーダル専用の知覚エージェント、統合エージェント、MLLM批判者、および証拠検証段階を通じて、誤りの帰属とプロンプト空間の自己適応型最適化を実現し、MER2025データセットにおいて、複数のオープンソースの多モーダル大規模モデル（2B～38Bパラメータ）の感情認識Fスコアを0.6～2.2ポイント向上させた。

注目する理由：本研究は、現在の多モーダル感情推論システムにおいて、指令の微調整コストの高さとエージェントのパイプラインがデバッグ不可能であるという矛盾に着目し、証拠の引用、確実性の検証、失敗の帰因、ターゲット指向のプロンプト修正を統合した、全工程にわたる説明可能なフレームワークを初めて提案する。すべての改良はモデルの重みを変更せず、4つの異なる規模のオープンソースMLLM上で実証的に有効であり、方法論的な革新性と工学的な実用性を備えている。

バイエル・クロップサイエンスは、Amazon Bedrock AgentCoreを基に、マルチエージェント型意思決定エンジンADEを構築しました。

バイエル・クロップサイエンスは、育種専門家、アナリスト、研究者向けの自然言語対応マルチエージェントプラットフォームであるAgentic Decision Engine（ADE）をAmazon Bedrock AgentCore上に構築し、これを既存のConnected Decision Engine（CDE）の強化層として位置付け、代替とはしていません。同システムは本番環境で稼働しており、100名を超えるR&Dユーザーにサービスを提供しています。22の分野特化型エージェントと約20のAPIツールにより、問題の約80％をセルフサービスで解決しています。

ディープインサイト：AWSのオープンソース多エージェントシステムは、5つの本番レベルの課題をどのように解決するのか

AWSソリューションアーキテクチャチームが提供するオープンソースのマルチエージェントシステム「Deep Insight」は、CSVデータの自動分析および自然言語によるレポート生成といったユースケースを対象とし、本番環境でよく見られる5つの主要な課題――エージェントのオーケストレーション、役割に応じたモデル選択、安定した運用、安全なコード実行、そして可観測性――に体系的に対応します。また、LGエレクトロニクスやre:Invent 2025 TechReconなど、実際の活用シーンにおいても実証済みです。