Ivan Ilin, Peter Richtárik · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28286 · open-access PDF
Teams von Big Language Model (LLM) Agenten werden zunehmend auf komplexe Aufgaben angewendet, aber ihre Kollaborationsprotokolle werden hauptsächlich empirisch entworfen, ohne Konvergenzgarantien. Wir formalisieren die kollaborative Problemlösung als Blockoptimierung: Jeder Agent verbessert einen Teil einer gemeinsamen Lösung, geleitet von seinem lokalen Ziel plus eine Korrektur dafür, wie seine Änderungen die anderen Teile beeinflussen. Ein Koordinator überprüft jeden Vorschlag gegen das globale Ziel und fusioniert Vorschläge, die nicht miteinander interferieren.
Machine translation (Meta M2M100); the English original follows.
Teams of large language model (LLM) agents are increasingly applied to complex tasks, but their collaboration protocols are mostly designed empirically, without convergence guarantees. We formalize collaborative problem solving as block optimization: each agent improves one part of a shared solution, guided by its local objective plus a correction for how its changes affect the other parts. A coordinator checks every proposal against the global objective and merges proposals that do not interfere with each other. We prove linear convergence up to an error floor that vanishes when the correctio
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28286, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange