StanfordのDeLM、中央オーケストレーターなしでマルチエージェントタスクのコストを50%削減
Stanford's DeLM cuts multi-agent task costs 50% — without a central orchestrator
スタンフォード大学の研究者らが開発した分散型言語モデル(DeLM)は、中央集権的なオーケストレーターを必要とせずにエージェント間の直接協調を可能にする新しいフレームワークである。従来のマルチエージェントシステムでは、中央エージェントがタスクを分割し、サブエージェントに割り当て、結果を統合・再配布するプロセスがボトルネックとなっていた。DeLMは、共有ナレッジベースを「共通コミュニケーション基盤」として利用し、エージェントが検証済みの進捗を直接参照できるようにすることで、この問題を解決する。これにより、エージェントは過去の発見を基にしたり、失敗を回避したり、必要な時に詳細な証拠を回復したりできる。SWE-bench Verifiedベンチマークでは、既存のベースラインより10.5%高い性能を示し、タスクあたりのコストを約50%削減した。また、LongBench-v2 Multi-Doc QAベンチマークでは、GPT-4.5.4、Claude Sonnet、Gemini Flash、DeepSeek-V4-Proを含む4つのモデルファミリーで最高精度を達成した。DeLMは、エージェントが冗長な探索を避け、互いの発見や失敗を再利用・活用し、未解決の問題に集中できるようにすることで、エージェントタスクの精度を高め、コストを大幅に削減する。
- スタンフォード大学の研究チームが分散型言語モデルDeLMを発表
- SWE-bench Verifiedで既存ベースラインより10.5%高い性能を達成
- タスクあたりのコストを約50%削減
- LongBench-v2 Multi-Doc QAでGPT-4.5.4、Claude Sonnet、Gemini Flash、DeepSeek-V4-Proの4モデルファミリー中で最高精度を達成
スタンフォード大学が開発したDeLMは、従来のマルチエージェントAIシステムにおける中央オーケストレーターのボトルネックを解消し、エージェント間の直接協調を可能にするアーキテクチャである。SWE-bench Verifiedで既存比10.5%精度向上、かつタスクコスト50%削減を実現した点は、エンタープライズAI導入におけるROI改善に直結する。特に、複数モデルファミリー(GPT-4.5.4, Claude Sonnet, Gemini Flash, DeepSeek-V4-Pro)で最高精度を達成したことは、モデル非依存の汎用性を示しており、AIエージェントの大規模展開を検討する投資家にとって注視すべき技術進展である。