AgentFugue: Масштабирование агентов для долгосрочных задач через коллективное рассуждение

Аннотация

Недавний прогресс в решении долгосрочных агентных задач был в значительной степени обусловлен масштабированием отдельных агентов за счет более сильных моделей, лучших инструментов и более эффективного структурирования. Напротив, гораздо меньше известно о масштабировании вширь: может ли множество равноправных агентов, нацеленных на одну и ту же задачу, стать дополнительным источником возможностей без явной специализации ролей или оркестровки рабочих процессов. Мы изучаем этот вопрос и предлагаем AgentFugue — структуру коллективного рассуждения, построенную вокруг общего центра рассуждений. Пока равноправные агенты параллельно исследуют одну и ту же задачу, центр записывает краткие заметки о том, что каждый агент установил, попробовал или исключил, и позволяет каждому агенту выборочно получать доступ к открытиям других агентов в форме, полезной для его текущего поиска. Такая конструкция превращает изолированные траектории в связанную экосистему многократно используемых промежуточных рассуждений без необходимости централизованного планирования. Мы реализуем центр как подключаемый коммуникационный слой, обученный с помощью контролируемой тонкой настройки и сквозного обучения с подкреплением. В сложных долгосрочных сценариях, которые мы изучаем, AgentFugue превосходит сильные базовые модели. Наши результаты показывают, что коллективное рассуждение может превратить масштабирование вширь систем равноправных агентов в отдельный источник прироста возможностей, а не просто в способ увеличения вычислительных затрат.

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.