AgentFugue: Agentschaling voor taken met lange horizon door collectief redeneren

Samenvatting

De recente vooruitgang bij agentische taken met een lange horizon is grotendeels gedreven door het opschalen van individuele agenten via sterkere modellen, betere hulpmiddelen en effectievere ondersteuningsstructuren. Daarentegen is er veel minder bekend over uitschalen: of meerdere peer-agenten die allemaal dezelfde taak uitvoeren, een extra bron van capaciteit kunnen vormen zonder afhankelijk te zijn van expliciete rolspecialisatie of workflow-orkestratie. Wij onderzoeken deze vraag en stellen AgentFugue voor, een collectief redeneerframework dat is opgebouwd rond een gedeelde redeneerhub. Terwijl peer-agenten dezelfde taak parallel verkennen, legt de hub beknopte notities vast over wat elke agent heeft vastgesteld, geprobeerd of uitgesloten, en stelt elke agent in staat om selectief toegang te krijgen tot wat andere agenten hebben ontdekt in een vorm die nuttig is voor zijn huidige zoektocht. Dit ontwerp verandert anderszins geïsoleerde trajecten in een verbonden ecosysteem van herbruikbare tussenredeneringen, zonder dat centrale planning nodig is. We implementeren de hub als een plug-in communicatielaag, getraind met supervised fine-tuning en end-to-end reinforcement learning. In de uitdagende lange-termijnomgevingen die we bestuderen, presteert AgentFugue beter dan sterke baselines. Onze resultaten suggereren dat collectief redeneren het uitschalen van peer-agentsystemen kan omzetten in een duidelijke bron van capaciteitswinst, in plaats van slechts een manier om meer rekenkracht in te zetten.

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.