AgentsNet: Coordinación y Razonamiento Colaborativo en Modelos de Lenguaje de Múltiples Agentes

AgentsNet: Coordination and Collaborative Reasoning in Multi-Agent LLMs

July 11, 2025

Autores: Florian Grötschla, Luis Müller, Jan Tönshoff, Mikhail Galkin, Bryan Perozzi

cs.AI

Resumen

Los modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés) han demostrado capacidades poderosas para resolver problemas, en particular cuando se organizan en sistemas multiagente. Sin embargo, el surgimiento de tales sistemas también plantea varias preguntas sobre la capacidad de una red compleja de agentes para autoorganizarse y colaborar de manera efectiva. Si bien medir el rendimiento en pruebas estándar de razonamiento indica qué tan bien los sistemas multiagente pueden resolver tareas de razonamiento, no está claro si estos sistemas son capaces de aprovechar su topología de manera efectiva. Aquí proponemos AgentsNet, un nuevo punto de referencia para el razonamiento multiagente. Al inspirarnos en problemas clásicos de sistemas distribuidos y teoría de grafos, AgentsNet mide la capacidad de los sistemas multiagente para formar estrategias colaborativas de resolución de problemas, autoorganización y comunicación efectiva dada una topología de red. Evaluamos una variedad de métodos de referencia en AgentsNet, incluyendo redes homogéneas de agentes que primero deben acordar protocolos básicos para la organización y la comunicación. Encontramos que algunos LLMs de vanguardia ya están demostrando un rendimiento sólido en redes pequeñas, pero comienzan a disminuir una vez que el tamaño de la red escala. Mientras que los puntos de referencia multiagente existentes cubren como máximo 2-5 agentes, AgentsNet es prácticamente ilimitado en tamaño y puede escalar con las nuevas generaciones de LLMs. Por ello, también exploramos modelos de vanguardia en una configuración con hasta 100 agentes.

English

Large-language models (LLMs) have demonstrated powerful problem-solving capabilities, in particular when organized in multi-agent systems. However, the advent of such systems also raises several questions on the ability of a complex network of agents to effectively self-organize and collaborate. While measuring performance on standard reasoning benchmarks indicates how well multi-agent systems can solve reasoning tasks, it is unclear whether these systems are able to leverage their topology effectively. Here, we propose AgentsNet, a new benchmark for multi-agent reasoning. By drawing inspiration from classical problems in distributed systems and graph theory, AgentsNet measures the ability of multi-agent systems to collaboratively form strategies for problem-solving, self-organization, and effective communication given a network topology. We evaluate a variety of baseline methods on AgentsNet including homogeneous networks of agents which first have to agree on basic protocols for organization and communication. We find that some frontier LLMs are already demonstrating strong performance for small networks but begin to fall off once the size of the network scales. While existing multi-agent benchmarks cover at most 2-5 agents, AgentsNet is practically unlimited in size and can scale with new generations of LLMs. As such, we also probe frontier models in a setup with up to 100 agents.