Apple-Studie zeigt, dass ein einzelner Agent Multi-Agenten-Systeme in ML-Aufgaben übertrifft

Eine neue Studie von Apple Machine Learning Research stellt die Effektivität von Multi-Agenten-Systemen in der maschinellen Lerntechnik in Frage. Die Forscher fanden heraus, dass ein einzelner, gut angestellter Coding-Agent namens Malena eine Leistung zeigte, die mit mehreren komplexen Multi-Agenten-Systemen vergleichbar oder sogar überlegen war.

Die Studie mit dem Titel „Wie viel Unterstützung benötigt ein starker Agent für autonomes ML Engineering?“ wurde am 30. September 2026 bei arXiv eingereicht und hebt die potenziellen Ineffizienzen aufwendiger Agentensysteme hervor. Malena arbeitet mit grundlegenden Shell-Zugriffsrechten und kann Dateien lesen, schreiben und Bash-Befehle ausführen.

In direkten Vergleichen erzielte Malena eine Erfolgsquote von 62,5 % im MLE-bench Benchmark und übertraf damit das beste externe System, AiScientist, das eine Erfolgsquote von 47,1 % erreichte. Diese Differenz von 15,4 Prozentpunkten deutet darauf hin, dass einfachere Systeme möglicherweise effektiver sind als bisher angenommen.

Die Studie wies auch darauf hin, dass die Hinzufügung von Komplexität durch die Koordination von Multi-Agenten keine signifikanten Leistungsverbesserungen brachte. Die Forscher betonten, dass die Stärke des zugrunde liegenden Modells der Hauptfaktor für die Leistung war, nicht die Komplexität des umgebenden Systems.

Diese Forschung steht im Einklang mit früheren Erkenntnissen, die die Wirksamkeit von Multi-Agenten-Systemen in Frage stellten und einen Bedarf an einer Neubewertung der Struktur und des Einsatzes von KI-Agenten in praktischen Anwendungen nahelegen.