Newest papers

Local Work, Global Progress: A Convergence Theory of AI Agent Collaboration

Ivan Ilin, Peter Richtárik · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.28286 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các nhóm đại lý mô hình ngôn ngữ lớn (LLM) ngày càng được áp dụng cho các nhiệm vụ phức tạp, nhưng các giao thức hợp tác của họ chủ yếu được thiết kế theo cách thực nghiệm, không có bảo đảm hội tụ. Chúng tôi chính thức hóa giải quyết vấn đề hợp tác như tối ưu hóa khối: mỗi đại lý cải thiện một phần của một giải pháp được chia sẻ, được hướng dẫn bởi mục tiêu địa phương của nó cộng với một sự điều chỉnh về cách thay đổi của nó ảnh hưởng đến các phần khác. Một điều phối viên kiểm tra mỗi đề xuất chống lại mục tiêu toàn cầu và sáp nhập các đề xuất mà không can thiệp lẫn nhau. Chúng tôi chứng minh sự hội tụ tuyến tính lên đến một tầng lỗi mà biến mất khi các sửa chữa chính xác. Các đề xuất can thiệp cũng có thể được sáp nhập sau khi sự kết hợp của họ đã được kiểm tra; sau đó tỷ lệ phụ thuộc vào

Machine translation (Meta M2M100); the English original follows.

Abstract

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 corrections are exact. Interfering proposals can also be merged once their combination has been checked; the rate then depends on how well the proposals actually combine, not on worst-case interactions. With GPT-OSS-120B agents on robot routing, a three-agent team finds collision-free plans in every run, better than those of a single agent that controls all robots. On a larger routing task, a six-agent team completes its search about twice as fast as the single agent (in median). Merging the best checked combination of proposals, rather than only proposals that do not interfere, cuts the team's search time by about 30%. With constants measured on the runs, our convergence bound holds in every round and follows the observed progress. We also test the theory on query planning in SQLite and on a synthetic task.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Convergence (economics), Computer science, Mathematical optimization, Block (permutation group theory), Constant (computer programming), Routing (electronic design automation)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange