Els LLM d'agent únic superen els sistemes multi-agent en el raonament de múltiples salts sota pressupostos iguals de tòquens de pensament

Després de dedicar diverses entrades de registre al debat multi-agent i a les arquitectures de "guardrails", volia posar a prova la premissa: realment orquestrar múltiples LLM ens aporta un millor raonament, o simplement estem gastant més computació? Dat Tran i Douwe Kiela, de Stanford, es pregunten exactament això en un preprint publicat l'abril de 2026, i la resposta és incòmoda per als evangelistes del multi-agent.

L'article

"Single-Agent LLMs Outperform Multi-Agent Systems on Multi-Hop Reasoning Under Equal Thinking Token Budgets" (arXiv:2604.02460) planteja un punt metodològic enganyosament simple: gairebé tots els bancs de proves multi-agent comparen un agent únic amb un sistema multi-agent que utilitza significativament més computació. Un cop es manté constant el pressupost de tòquens de pensament —igualant els tòquens de raonament intermedi, excloent els prompts i les respostes finals—, els agents únics igualen o superen els sistemes multi-agent en tasques de raonament de múltiples salts.

Els autors emmarquen això amb un argument d'informació teòrica mitjançant la Desigualtat de Processament de Dades (DPI). Quan un agent passa un missatge a un altre, l'agent receptor treballa a partir d'una versió processada del context original, no del context mateix. La informació només es pot perdre o mantenir igual en aquesta cadena, mai guanyar. Per tant, la DPI prediu que la descomposició multi-agent introdueix colls d'ampolla de comunicació inevitables, i els sistemes multi-agent només poden superar els agents únics quan la utilització efectiva del context d'un agent únic ja està degradada.

Idees clau

• L'estudi controla els "tòquens de pensament" —només els tòquens de raonament intermedi— a través de sis pressupostos de tòquens des de 100 fins a 10.000 tòquens, utilitzant tres famílies de models: Qwen3-30B, DeepSeek-R1-Distill-Llama-70B i Gemini 2.5.
• S'avaluen cinc arquitectures multi-agent: seqüencial, paral·lela per subtasques, rols paral·lels, debat i conjunt (ensemble).
• Els bancs de proves utilitzats són FRAMES (824 preguntes desafiants de múltiples salts que requereixen la integració de múltiples fonts) i MuSiQue (preguntes de coneixement global de 4 salts).
• Els sistemes d'agent únic van aconseguir la precisió més alta o estadísticament equivalent en gairebé totes les condicions de pressupost igualat. La precisió dels SAS va oscil·lar entre 0,280 i 0,427 entre pressupostos; les variants MAS comparables van fer una mitjana de 0,280–0,420.
• El mode de fallada característic dels MAS és la sobreexploració i la deriva: els agents exploren subpreguntes sense fer poda i perden el fil de la consulta original. El SAS manté un ancoratge lèxic més fort a la pregunta original.
• La predicció de la DPI es manté empíricament: sota una degradació forta del context (emmascarament o substitució a α=0,7), els sistemes multi-agent es tornen competitius —però només llavors.

El que es manté — i el que no

La metodologia central és el pas correcte. El camp té un problema de reproductibilitat amb els bancs de proves multi-agent precisament perquè la computació rarament es manté constant, i la insistència dels autors en pressupostos de pensament igualats és una contribució genuïna. L'enfocament de la DPI és clar, i la predicció experimental que genera —que el MAS ajuda quan la utilització del context falla— es verifica en tres famílies de models, la qual cosa li dona credibilitat.

Dit això, hi ha diverses llacunes importants. El document avalua només el raonament de múltiples salts basat en text. Exclou explícitament l'ús d'eines, l'execució de codi i les tasques de visió. Aquesta exclusió és significativa: la majoria dels sistemes multi-agent en producció que la gent realment desplega no fan només preguntes i respostes de text pur, sinó que orquestren crides a eines, cerques en API o intèrprets de codi entre agents. L'argument de la DPI sobre el pas de missatges entre agents és teòricament aplicable a aquests entorns, però la afirmació empírica no ha estat validada allí.

Es reconeix que el control del pressupost de tòquens de Gemini és aproximat; els autors van desenvolupar una variant especial SAS-L amb indicacions estructurades perquè el canal de pensament de Gemini semblava infrautilitzat en el mode estàndard d'agent únic. Aquest és un factor de confusió que val la pena analitzar. Si la comptabilitat dels tòquens de pensament no és fiable per a una de les tres famílies de models, la afirmació d'igualització del pressupost esdevé més difícil d'interpretar.

Dos bancs de proves també és poc per a una afirmació arquitectònica general. FRAMES només té 824 preguntes; MuSiQue és un banc de proves estàndard però no cobreix tota la diversitat d'estructures de múltiples salts. I l'article no aborda com canvia la bretxa entre agent únic i multi-agent a mesura que augmenta la capacitat del model; el resultat podria ser una propietat de les mides actuals dels models més que una troballa arquitectònica fonamental.

Per què això és important per a la IA financera

La connexió amb Bean Labs és real però necessita precisió. Per a un agent d'escriptura de Beancount, l'arquitectura que més m'interessa és un parell escriptor-verificador: un agent genera una entrada de llibre major, un altre la revisa per comprovar el compliment de les polítiques abans de confirmar-la. Això no és raonament de text de múltiples salts —és un pipeline seqüencial d'ús d'eines on el verificador examina un artefacte proposat en lloc de tornar a processar el mateix context original. L'argument de la DPI s'aplica de manera laxa: un agent de verificació separat que treballa a partir de l'entrada proposada encara no pot recuperar fets que l'escriptor hagi descartat. Però el coll d'ampolla a la pràctica és el record de les regles de la política i la correcció aritmètica, no la pèrdua d'informació entre missatges.

On aquest article incideix més directament és en les arquitectures de debat considerades en registres anteriors (Du et al., M3MAD-Bench). Si l'objectiu és un parell d'agents que debaten per detectar errors en el llibre major, i si ambdós agents tenen el mateix pressupost total de pensament que un agent únic amb raonament estès, l'evidència aquí suggereix que l'enfocament d'agent únic és més fiable. La troballa que el MAS és competitiu només quan el context està molt degradat també és rellevant: per a entrades de Beancount ben estructurades, on el context és net i està ben format, l'avantatge de l'agent únic s'hauria de mantenir.

La lliçó pràctica és ser suspicaç amb la complexitat multi-agent tret que tingueu una raó específica per creure que la utilització del context és el coll d'ampolla. Per a la majoria de les tasques de consulta del llibre major, probablement no ho sigui.

Què llegir a continuació

• Mixture-of-Agents Enhances Large Language Model Capabilities (arXiv:2406.04692) — l'article les afirmacions d'AlpacaEval del qual aquest desafia més directament; val la pena llegir-lo per entendre exactament quins supòsits de pressupost va fer.
• "Rethinking the Bounds of LLM Reasoning: Are Multi-Agent Discussions the Key?" (arXiv:2402.18272, ACL 2024) — una versió anterior de la mateixa troballa: un agent únic amb bones indicacions iguala la discussió multi-agent; útil per veure com ha evolucionat la crítica.
• Literatura sobre l'escalat de computació en temps de prova (DeepSeek-R1, OpenAI o1 system card) — la qüestió més àmplia és on ajuda realment la computació d'inferència addicional, i una cadena de pensament estesa dins d'un sol model pot ser la resposta més robusta.