Aktuelle Arbeiten berichten von einer starken Leistungsfähigkeit von Multi-Agent-LLM-Systemen, doch werden diese Gewinne oft durch einen erhöhten Rechenaufwand während der Testphase überdeckt. Eine aktuelle Studie der Stanford University zeigt, dass bei Normalisierung des Rechenaufwands Single-Agent-Systeme mit Multi-Agent-Systemen gleichziehen oder diese sogar übertreffen.
Die Forscher stellten die These auf, dass Single-Agent-Systeme bei einem festen Budget an Schlussfolgerungstoken und perfekter Kontextnutzung informationseffizienter sind. Multi-Agent-Systeme werden hingegen wettbewerbsfähig, wenn die effektive Kontextnutzung eines einzelnen Agenten beeinträchtigt ist oder wenn mehr Rechenaufwand betrieben wird.
In einer kontrollierten empirischen Studie wurde diese Theorie über drei Modellfamilien hinweg (Qwen3, DeepSeek-R1-Distill-Llama und Gemini 2.5) überprüft, wobei Single-Agent-Systeme mit verschiedenen Multi-Agent-Systemen bei identischen Budgets verglichen wurden. dabei stellten die Forscher fest, dass Single-Agent-Systeme bei Multi-Hop-Schlussfolgerungsaufgaben Multi-Agent-Systemen durchweg gleichwertig sind oder übertreffen, wenn die Anzahl der Schlussfolgerungstoken konstant gehalten wird.
Die Ergebnisse deuten laut den Forschern darauf hin, dass sich viele der berichteten Vorteile von Multi-Agenten-Systemen bei Multi-Hop-Schlussfolgerungsaufgaben besser durch nicht berücksichtigte Rechen- und Kontexteffekte erklären lassen als durch inhärente architektonische Vorteile. Dies unterstreicht die Wichtigkeit, die Vor- und Nachteile zwischen Rechenleistung, Kontext und Koordination in agentenbasierten Systemen besser zu verstehen und explizit zu steuern.
URLs:
- Forschungsbericht bei arXiv: https://arxiv.org/abs/2604.02460v1