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。
大規模言語モデル 定番 原論文 2017年 約2分で読める
Transformerの原点「Attention Is All You Need」――再帰も畳み込みも使わず、注意機構だけで翻訳の最高精度に
Attention Is All You Need
要点再帰（RNN）や畳み込み（CNN）を使わず、注意機構（アテンション）だけで構成する新しいモデル「Transformer」を提案。機械翻訳で当時の最高精度を出しつつ、並列化しやすく学習時間も大幅に短い。
推論 定番 原論文 2022年 約2分で読める
思考の連鎖（Chain-of-Thought）プロンプト――途中の推論ステップを例示するだけで、LLMの複雑な推論力が大きく向上
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
要点プロンプトに「途中の推論ステップ」を含む例をいくつか示すだけで、大規模言語モデルの算数・常識・記号推論の性能が大きく上がることを示した。5400億パラメータのモデルに8例を示すだけで、数学文章題GSM8Kで最高精度を達成した。