Arborは、大規模で状態を持つ行動空間で動作する自律エージェントのための認知層として、構造化された木探索を導入するマルチエージェントフレームワークである。従来の自律最適化システムは孤立したターゲットに対してステートレスな評価を行うのに対し、Arborはスコア付き仮説の明示的な探索木を維持する。この木はエージェント間で共有されるワーキングメモリとして機能し、測定のたびに進化する。失敗は診断シグナルとして扱われ、その後の探索を再形成する。また、過去の成功がボトルネック分布を変化させるにつれて、探索木は拡張されていく。
研究チームはArborをフルスタックLLM推論最適化で検証した。この領域では、アプリケーション、フレームワーク、コンパイラ、カーネル、ハードウェアスタックにわたるエンジニアリングチームの協調作業が歴史的にピーク性能達成に必要とされてきた。Arborは、推論スタック全体のドメインスペシャリストに委任して最適化を推進するOrchestratorエージェントと、根本原因分析、内省、測定検証を通じて安定性を守るCriticエージェントを組み合わせる。これは、どちらのエージェントも一方的にシステムを動かせないチェック・アンド・バランスのアーキテクチャである。
エージェントの能力はハードスキル（ドメイン専門知識）とソフトスキル（貢献の組み合わせ方を決定する調整プロトコル）に分解され、完全自律の数日間にわたるキャンペーンを可能にする。Arborはベンダー最適化ベースラインに対して最大193%の推論スループット・レイテンシパレート改善を達成した。一方、このハーネスなしの単一エージェントはスループット改善+33%で頭打ちとなり、数時間以内に回復不能にクラッシュした。
さらにArborは複数世代のハードウェアプラットフォームに汎化し、実行間の分散は2パーセントポイント以内に収まる。これは本手法がハードウェア非依存で再現可能であることを示している。本論文はNeha Prakriya氏ら8名の著者によって2026年6月10日にarXivに提出され、人工知能（cs.AI）に分類されている。