AgentFugue: Agenten-Skalierung für langfristige Aufgaben durch kollektives Reasoning

Zusammenfassung

Die jüngsten Fortschritte bei langfristigen agentischen Aufgaben wurden hauptsächlich durch das Hochskalieren einzelner Agenten mittels stärkerer Modelle, besserer Werkzeuge und effektiverer Gerüste erzielt. Im Gegensatz dazu ist über das horizontale Skalieren (Scaling Out) weit weniger bekannt: ob mehrere gleichrangige Agenten, die alle auf dieselbe Aufgabe abzielen, eine zusätzliche Fähigkeitsquelle darstellen können, ohne auf explizite Rollenspezialisierung oder Workflow-Orchestrierung angewiesen zu sein. Wir untersuchen diese Frage und schlagen AgentFugue vor, ein kollektives Reasoning-Framework, das um einen gemeinsamen Reasoning-Hub herum aufgebaut ist. Während gleichrangige Agenten dieselbe Aufgabe parallel erkunden, zeichnet der Hub prägnante Notizen darüber auf, was jeder Agent etabliert, versucht oder ausgeschlossen hat, und ermöglicht es jedem Agenten, selektiv auf das zuzugreifen, was andere Agenten in einer für seine aktuelle Suche nützlichen Form entdeckt haben. Dieses Design verwandelt ansonsten isolierte Trajektorien in eine vernetzte Ökologie wiederverwendbarer Zwischenschlussfolgerungen, ohne dass eine zentrale Planung erforderlich ist. Wir implementieren den Hub als eine Plug-in-Kommunikationsschicht, die mit überwachtem Feintuning und End-to-End-Verstärkungslernen trainiert wird. In den von uns untersuchten anspruchsvollen langfristigen Umgebungen verbessert AgentFugue die Ergebnisse im Vergleich zu starken Baselines. Unsere Ergebnisse deuten darauf hin, dass kollektives Reasoning das horizontale Skalieren von Peer-Agent-Systemen in eine eigenständige Quelle von Fähigkeitsgewinnen verwandeln kann, und nicht nur in eine Möglichkeit, mehr Rechenleistung einzusetzen.

English

Recent progress on long-horizon agentic tasks has been driven largely by scaling up individual agents through stronger models, better tools, and more effective scaffolding. In contrast, much less is understood about scaling out: whether multiple peer agents, all targeting the same task, can become an additional source of capability without relying on explicit role specialization or workflow orchestration. We study this question and propose AgentFugue, a collective reasoning framework built around a shared reasoning hub. As peer agents explore the same task in parallel, the hub records concise notes on what each agent has established, attempted, or ruled out, and enables each agent to selectively access what other agents have discovered in a form useful for its current search. This design turns otherwise isolated trajectories into a connected ecology of reusable intermediate reasoning without requiring centralized planning. We instantiate the hub as a plug-in communication layer, trained with supervised fine-tuning and end-to-end reinforcement learning. Across the challenging long-horizon settings we study, AgentFugue improves over strong baselines. Our results suggest that collective reasoning can turn scaling out peer agent systems into a distinct source of capability gains, rather than merely a way of spending more compute.