PRISM：マルチ_AGENT レスリングのための原理に基づくフレームワーク：Gain デコービレーションを介して

多-Agent協働が大型言語モデル（LLMs）の論理能力向上に興味深いパラダイムとなった。しかし、現在のアプローチは主として直感的に仕立てられており、性能の増大を引き起こす要素やその設計選択で最優上の影響度が高いのかについて正当な指導が欠けていた。 我々は、統一的な論理的フレームワークを提案し、多代理争理論思考力の増加を3つの概念的に独立した方向性に分解しました。それぞれの場合（探索・情報取得・合併）その影響の評価です。それを経験に基づき、証明されたクロス評価により、その設計原則を導入します。最後にPRISMと呼ばれる新機構を提案し、それから全体の3つの方向性を最適化しました。マルチ代理理由思考テストは数学的推論、コード生成、関数呼び出しだった。 それを適用しないいくつかの他のアプローチは性能が最低限であったことが証明されました。一方、PRISMの方法は計算効率に関して優れていました。これらの結果を踏まえて多代理争理由思考システムへの実用的な設計原則が導入されるべきである。

arXiv:2602.08586v1 Announce Type: new Abstract: Multi-agent collaboration has emerged as a promising paradigm for enhancing reasoning capabilities of Large Language Models (LLMs). However, existing approaches remain largely heuristic, lacking principled guidance on what drives performance gains and how to systematically optimize multi-agent reasoning. Specifically, it remains unclear why multi-agent collaboration outperforms single-agent reasoning and which design choices contribute most to these gains, making it difficult to build better systems. We address this gap by introducing a unified theoretical framework that decomposes multi-agent reasoning gains into three conceptually independent dimensions: Exploration for diverse solution coverage, Information for high-fidelity feedback, and Aggregation for principled consensus. Through this lens, existing methods can be understood as special cases that optimize only subsets of these dimensions. Building upon this decomposition, a novel framework called PRISM (Propose-Review-Integrate Synthesis for Multi-agent Reasoning) is proposed, which jointly maximizes all three dimensions through role-based diversity, execution-grounded feedback with evidence-based cross-evaluation, and iterative synthesis with closed-loop validation. Extensive experiments across mathematical reasoning, code generation, and function calling benchmarks demonstrate that PRISM achieves state-of-the-art performance with superior compute-efficiency compared to methods optimizing partial dimensions. The theoretical framework provides actionable design principles for future multi-agent reasoning systems.