arXivで公開された論文「Recursive Multi-Agent Systems」は、単一モデルを反復計算することで推論を深化させる「再帰型・ループ型LLM」の考え方を、マルチエージェントシステム（MAS）へ拡張した研究である。中核となるのは、異種エージェントを軽量な「RecursiveLink」モジュールで接続し、システム全体を潜在空間上の統一された再帰計算として扱う設計だ。エージェント間でテキストを介さず潜在状態を直接転送することで、従来のテキストベースMASで発生していた冗長な中間出力を削減する。
学習面では、内外ループ学習アルゴリズムを導入し、再帰ラウンドをまたぐ勾配ベースのクレジット割り当てでシステム全体を共同最適化する。論文では、実行時計算量と学習ダイナミクスの理論解析により、標準的なテキストベースMASより効率的で、再帰訓練中も勾配が安定することを示している。
実証面では、4種類の代表的なエージェント協調パターンで実装し、数学・科学・医療・検索・コード生成にまたがる9つのベンチマークで評価した。既存の単一エージェント・マルチエージェント・再帰計算ベースラインとの比較で、平均精度8.3%向上、エンドツーエンド推論速度1.2〜2.4倍、トークン使用量34.6〜75.6%削減を達成している。
実装を担うチームにとっての含意は明確だ。トークン消費量と応答時間はマルチエージェント型プロダクトの採算と体感を直接左右する指標であり、その双方で二桁%の改善幅が示されたことは、現行パイプラインの見直し材料になる。コードとデータは論文内リンクで公開されており、自社タスクで再現・比較する手順に踏み出せる段階にある。
