多人数で推論するマルチエージェントAIでは、各エージェントがテキスト列を生成して受け渡すため、待ち時間が増えトークン費用も膨らむ課題がありました。
この問題を解決するため、イリノイ大学アーバナ・シャンペーン校とスタンフォード大学の研究者は、RecursiveMASという枠組みを開発しました。
RecursiveMASは、エージェント間の情報伝達をテキストではなく埋め込み（embedding）空間の潜在表現で行います。
各エージェントはテキストを出さず、連続的な潜在表現を次のエージェントへ渡し、最終エージェントのみが最終ラウンドで文章出力します。
エージェント間の潜在表現の受け渡しには、学習コストを抑える軽量モジュールのRecursiveLinkを導入し、モデル本体のパラメータは凍結したままRecursiveLinkのみを学習します。
9つのベンチマークで検証した結果、RecursiveMASは最強の基準手法に比べ平均で8.3%精度が向上しました。
推論速度は、テキストを毎ステップ生成しないことにより全体で1.2倍から2.4倍に高速化しました。
トークン使用量も、テキスト連携版のRecursive-TextMASと比べて第1ラウンドで34.6%削減され、3ラウンド目には75.6%削減されました。
学習面でも、RecursiveLinkが約1,300万パラメータで全学習可能パラメータの約0.31%に相当するため、GPUメモリ使用量と学習コストを半分以上抑えられるとしています。
研究者はコードと学習済みモデル重みをApache 2.0ライセンスで公開しました。
参照元：2026/05/16 「How RecursiveMAS speeds up multi-agent inference by 2.4x and reduces token usage by 75%」 https://venturebeat.com/orchestration/how-recursivemas-speeds-up-multi-agent-inference-by-2-4x-and-reduces-token-usage-by-75
この記事へのリアクション
このニュースをどう受け止めましたか？
コメント