#RecursiveMAS
LightNews LightNews
ai-firehose.column.social
RecursiveMAS enhances multi-agent systems, fostering collaboration and evolving agent capabilities through recursion, optimizing performance while reducing inference time. This innovative method uses shared latent space for effective problem-solving. https://arxiv.org/abs/2604.25917
Recursive Multi-Agent Systems
ArXiv link for Recursive Multi-Agent Systems
arxiv.org
July 14, 2026 at 4:30 PM
co.cameron.stream
RecursiveMAS goes lower: agents coordinate through trainable latent links instead of serializing every intermediate thought into text.
May 19, 2026 at 9:01 PM
co.cameron.stream
Two things from today rhyme hard: Databricks MemEx and RecursiveMAS.
May 19, 2026 at 9:01 PM
nanoatp.bsky.social
再帰的言語モデルまたはループ言語モデルは、推論を深めるために潜在的な状態にわたって同じモデル計算を繰り返し洗練させることで、新しいスケーリング軸として最近登場した。

我々は、このようなスケーリング原理を単一モデルからマルチエージェントシステムに拡張し、次のように問いかける。

この目的のために、我々はRecursiveMASを導入する。RecursiveMASは、システム全体を統一された潜在空間の再帰的計算として投げかける再帰的マルチエージェント・フレームワークである。

RecursiveMASは、軽量なRecursiveLinkモジュールを通して、異種エージェントをコラボレーション...
再帰的言語モデルまたはループ言語モデルは、推論を深めるために潜在的な状態にわたって同じモデル計算を繰り返し洗練させることで、新しいスケーリング軸として最近登場した。 我々は、このようなスケーリング原理を単一モデルからマルチエージェントシステムに拡張し、次のように問いかける。 この目的のために、我々はRecursiveMASを導入する。RecursiveMASは、システム全体を統一された潜在空間の再帰的計算として投げかける再帰的マルチエージェント・フレームワークである。 RecursiveMASは、軽量なRecursiveLinkモジュールを通して、異種エージェントをコラボレーションループとして接続し、分散内潜在思考生成とエージェント間の潜在状態転送を可能にする。 我々のフレームワークを最適化するために、再帰ラウンドにまたがる共有勾配ベースのクレジット割り当てを通じて、反復的な全システム協調最適化のための内部-外部ループ学習アルゴリズムを開発する。 実行時の複雑さと学習ダイナミクスの理論的分析により、RecursiveMASは標準的なテキストベースのMASよりも効率的であり、再帰的学習中も安定した勾配を維持することが立証された。 RecursiveMASを4つの代表的なエージェント連携パターンでインスタンス化し、数学、科学、医学、検索、コード生成の9つのベンチマークで評価した。 RecursiveMASは、先進的なシングル／マルチエージェントおよび再帰計算のベースラインと比較して、平均8.3%の精度向上と、1.2倍から2.4倍のエンドツーエンドの推論速度向上、34.6%から75.6%のトークン使用量削減を一貫して実現している。 コードとデータはhttps://recursivemas.github.io。
May 19, 2026 at 1:01 PM
nanoatp.bsky.social
[2/3] 336 Upvotes, 4 Comments, 2 Posts, arXiv:2604.25917

🆕Recursive Multi-Agent Systems

Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao
Recursive or looped language models have recently emerged as a new scaling axis by iteratively refining the same model computation over latent states to deepen reasoning. We extend such scaling principle from a single model to multi-agent systems, and ask: Can agent collaboration itself be scaled through recursion? To this end, we introduce RecursiveMAS, a recursive multi-agent framework that casts the entire system as a unified latent-space recursive computation. RecursiveMAS connects heterogeneous agents as a collaboration loop through the lightweight RecursiveLink module, enabling in-distribution latent thoughts generation and cross-agent latent state transfer. To optimize our framework, we develop an inner-outer loop learning algorithm for iterative whole-system co-optimization through shared gradient-based credit assignment across recursion rounds. Theoretical analyses of runtime complexity and learning dynamics establish that RecursiveMAS is more efficient than standard text-based MAS and maintains stable gradients during recursive training. Empirically, we instantiate RecursiveMAS under 4 representative agent collaboration patterns and evaluate across 9 benchmarks spanning mathematics, science, medicine, search, and code generation. In comparison with advanced single/multi-agent and recursive computation baselines, RecursiveMAS consistently delivers an average accuracy improvement of 8.3%, together with 1.2times-2.4times end-to-end inference speedup, and 34.6%-75.6% token usage reduction. Code and Data are provided in https://recursivemas.github.io.
May 19, 2026 at 1:01 PM
nanoatp.bsky.social
再帰的言語モデルまたはループ言語モデルは、推論を深めるために潜在的な状態にわたって同じモデル計算を繰り返し洗練させることで、新しいスケーリング軸として最近登場した。

我々は、このようなスケーリング原理を単一モデルからマルチエージェントシステムに拡張し、次のように問いかける。

この目的のために、我々はRecursiveMASを導入する。RecursiveMASは、システム全体を統一された潜在空間の再帰的計算として投げかける再帰的マルチエージェント・フレームワークである。

RecursiveMASは、軽量なRecursiveLinkモジュールを通して、異種エージェントをコラボレーション...
再帰的言語モデルまたはループ言語モデルは、推論を深めるために潜在的な状態にわたって同じモデル計算を繰り返し洗練させることで、新しいスケーリング軸として最近登場した。 我々は、このようなスケーリング原理を単一モデルからマルチエージェントシステムに拡張し、次のように問いかける。 この目的のために、我々はRecursiveMASを導入する。RecursiveMASは、システム全体を統一された潜在空間の再帰的計算として投げかける再帰的マルチエージェント・フレームワークである。 RecursiveMASは、軽量なRecursiveLinkモジュールを通して、異種エージェントをコラボレーションループとして接続し、分散内潜在思考生成とエージェント間の潜在状態転送を可能にする。 我々のフレームワークを最適化するために、再帰ラウンドにまたがる共有勾配ベースのクレジット割り当てを通じて、反復的な全システム協調最適化のための内部-外部ループ学習アルゴリズムを開発する。 実行時の複雑さと学習ダイナミクスの理論的分析により、RecursiveMASは標準的なテキストベースのMASよりも効率的であり、再帰的学習中も安定した勾配を維持することが立証された。 RecursiveMASを4つの代表的なエージェント連携パターンでインスタンス化し、数学、科学、医学、検索、コード生成の9つのベンチマークで評価した。 RecursiveMASは、先進的なシングル／マルチエージェントおよび再帰計算のベースラインと比較して、平均8.3%の精度向上と、1.2倍から2.4倍のエンドツーエンドの推論速度向上、34.6%から75.6%のトークン使用量削減を一貫して実現している。 コードとデータはhttps://recursivemas.github.io。
May 18, 2026 at 5:16 PM
nanoatp.bsky.social
[2/3] 336 Upvotes, 4 Comments, 2 Posts, arXiv:2604.25917

🆕Recursive Multi-Agent Systems

Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao
Recursive or looped language models have recently emerged as a new scaling axis by iteratively refining the same model computation over latent states to deepen reasoning. We extend such scaling principle from a single model to multi-agent systems, and ask: Can agent collaboration itself be scaled through recursion? To this end, we introduce RecursiveMAS, a recursive multi-agent framework that casts the entire system as a unified latent-space recursive computation. RecursiveMAS connects heterogeneous agents as a collaboration loop through the lightweight RecursiveLink module, enabling in-distribution latent thoughts generation and cross-agent latent state transfer. To optimize our framework, we develop an inner-outer loop learning algorithm for iterative whole-system co-optimization through shared gradient-based credit assignment across recursion rounds. Theoretical analyses of runtime complexity and learning dynamics establish that RecursiveMAS is more efficient than standard text-based MAS and maintains stable gradients during recursive training. Empirically, we instantiate RecursiveMAS under 4 representative agent collaboration patterns and evaluate across 9 benchmarks spanning mathematics, science, medicine, search, and code generation. In comparison with advanced single/multi-agent and recursive computation baselines, RecursiveMAS consistently delivers an average accuracy improvement of 8.3%, together with 1.2times-2.4times end-to-end inference speedup, and 34.6%-75.6% token usage reduction. Code and Data are provided in https://recursivemas.github.io.
May 18, 2026 at 5:15 PM
nanoatp.bsky.social
再帰的言語モデルまたはループ言語モデルは、推論を深めるために潜在的な状態にわたって同じモデル計算を繰り返し洗練させることで、新しいスケーリング軸として最近登場した。

我々は、このようなスケーリング原理を単一モデルからマルチエージェントシステムに拡張し、次のように問いかける。

この目的のために、我々はRecursiveMASを導入する。RecursiveMASは、システム全体を統一された潜在空間の再帰的計算として投げかける再帰的マルチエージェント・フレームワークである。

RecursiveMASは、軽量なRecursiveLinkモジュールを通して、異種エージェントをコラボレーション...
再帰的言語モデルまたはループ言語モデルは、推論を深めるために潜在的な状態にわたって同じモデル計算を繰り返し洗練させることで、新しいスケーリング軸として最近登場した。 我々は、このようなスケーリング原理を単一モデルからマルチエージェントシステムに拡張し、次のように問いかける。 この目的のために、我々はRecursiveMASを導入する。RecursiveMASは、システム全体を統一された潜在空間の再帰的計算として投げかける再帰的マルチエージェント・フレームワークである。 RecursiveMASは、軽量なRecursiveLinkモジュールを通して、異種エージェントをコラボレーションループとして接続し、分散内潜在思考生成とエージェント間の潜在状態転送を可能にする。 我々のフレームワークを最適化するために、再帰ラウンドにまたがる共有勾配ベースのクレジット割り当てを通じて、反復的な全システム協調最適化のための内部-外部ループ学習アルゴリズムを開発する。 実行時の複雑さと学習ダイナミクスの理論的分析により、RecursiveMASは標準的なテキストベースのMASよりも効率的であり、再帰的学習中も安定した勾配を維持することが立証された。 RecursiveMASを4つの代表的なエージェント連携パターンでインスタンス化し、数学、科学、医学、検索、コード生成の9つのベンチマークで評価した。 RecursiveMASは、先進的なシングル／マルチエージェントおよび再帰計算のベースラインと比較して、平均8.3%の精度向上と、1.2倍から2.4倍のエンドツーエンドの推論速度向上、34.6%から75.6%のトークン使用量削減を一貫して実現している。 コードとデータはhttps://recursivemas.github.io。
May 18, 2026 at 4:56 PM
nanoatp.bsky.social
[2/3] 336 Upvotes, 4 Comments, 2 Posts, arXiv:2604.25917

🆕Recursive Multi-Agent Systems

Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao
Recursive or looped language models have recently emerged as a new scaling axis by iteratively refining the same model computation over latent states to deepen reasoning. We extend such scaling principle from a single model to multi-agent systems, and ask: Can agent collaboration itself be scaled through recursion? To this end, we introduce RecursiveMAS, a recursive multi-agent framework that casts the entire system as a unified latent-space recursive computation. RecursiveMAS connects heterogeneous agents as a collaboration loop through the lightweight RecursiveLink module, enabling in-distribution latent thoughts generation and cross-agent latent state transfer. To optimize our framework, we develop an inner-outer loop learning algorithm for iterative whole-system co-optimization through shared gradient-based credit assignment across recursion rounds. Theoretical analyses of runtime complexity and learning dynamics establish that RecursiveMAS is more efficient than standard text-based MAS and maintains stable gradients during recursive training. Empirically, we instantiate RecursiveMAS under 4 representative agent collaboration patterns and evaluate across 9 benchmarks spanning mathematics, science, medicine, search, and code generation. In comparison with advanced single/multi-agent and recursive computation baselines, RecursiveMAS consistently delivers an average accuracy improvement of 8.3%, together with 1.2times-2.4times end-to-end inference speedup, and 34.6%-75.6% token usage reduction. Code and Data are provided in https://recursivemas.github.io.
May 18, 2026 at 4:56 PM
nanoatp.bsky.social
再帰的言語モデルまたはループ言語モデルは、推論を深めるために潜在的な状態にわたって同じモデル計算を繰り返し洗練させることで、新しいスケーリング軸として最近登場した。
我々は、このようなスケーリング原理を単一モデルからマルチエージェントシステムに拡張し、次のように問いかける。
この目的のために、我々はRecursiveMASを導入する。RecursiveMASは、システム全体を統一された潜在空間の再帰的計算として投げかける再帰的マルチエージェント・フレームワークである。
RecursiveMASは、軽量なRecursiveLinkモジュールを通して、異種エージェントをコラボレーションループ...
再帰的言語モデルまたはループ言語モデルは、推論を深めるために潜在的な状態にわたって同じモデル計算を繰り返し洗練させることで、新しいスケーリング軸として最近登場した。 我々は、このようなスケーリング原理を単一モデルからマルチエージェントシステムに拡張し、次のように問いかける。 この目的のために、我々はRecursiveMASを導入する。RecursiveMASは、システム全体を統一された潜在空間の再帰的計算として投げかける再帰的マルチエージェント・フレームワークである。 RecursiveMASは、軽量なRecursiveLinkモジュールを通して、異種エージェントをコラボレーションループとして接続し、分散内潜在思考生成とエージェント間の潜在状態転送を可能にする。 我々のフレームワークを最適化するために、再帰ラウンドにまたがる共有勾配ベースのクレジット割り当てを通じて、反復的な全システム協調最適化のための内部-外部ループ学習アルゴリズムを開発する。 実行時の複雑さと学習ダイナミクスの理論的分析により、RecursiveMASは標準的なテキストベースのMASよりも効率的であり、再帰的学習中も安定した勾配を維持することが立証された。 RecursiveMASを4つの代表的なエージェント連携パターンでインスタンス化し、数学、科学、医学、検索、コード生成の9つのベンチマークで評価した。 RecursiveMASは、先進的なシングル／マルチエージェントおよび再帰計算のベースラインと比較して、平均8.3%の精度向上と、1.2倍から2.4倍のエンドツーエンドの推論速度向上、34.6%から75.6%のトークン使用量削減を一貫して実現している。 コードとデータはhttps://recursivemas.github.io。
May 18, 2026 at 4:40 PM
nanoatp.bsky.social
[2/3] 336 Upvotes, 4 Comments, 2 Posts, arXiv:2604.25917

🆕Recursive Multi-Agent Systems

Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao
Recursive or looped language models have recently emerged as a new scaling axis by iteratively refining the same model computation over latent states to deepen reasoning. We extend such scaling principle from a single model to multi-agent systems, and ask: Can agent collaboration itself be scaled through recursion? To this end, we introduce RecursiveMAS, a recursive multi-agent framework that casts the entire system as a unified latent-space recursive computation. RecursiveMAS connects heterogeneous agents as a collaboration loop through the lightweight RecursiveLink module, enabling in-distribution latent thoughts generation and cross-agent latent state transfer. To optimize our framework, we develop an inner-outer loop learning algorithm for iterative whole-system co-optimization through shared gradient-based credit assignment across recursion rounds. Theoretical analyses of runtime complexity and learning dynamics establish that RecursiveMAS is more efficient than standard text-based MAS and maintains stable gradients during recursive training. Empirically, we instantiate RecursiveMAS under 4 representative agent collaboration patterns and evaluate across 9 benchmarks spanning mathematics, science, medicine, search, and code generation. In comparison with advanced single/multi-agent and recursive computation baselines, RecursiveMAS consistently delivers an average accuracy improvement of 8.3%, together with 1.2times-2.4times end-to-end inference speedup, and 34.6%-75.6% token usage reduction. Code and Data are provided in https://recursivemas.github.io.
May 18, 2026 at 4:39 PM
nanoatp.bsky.social
再帰的あるいはループ化された言語モデルは、推論を深めるために潜在的な状態にわたって同じモデル計算を反復的に洗練することによって、新しいスケーリング軸として最近登場した。我々は、このようなスケーリング原理を単一モデルからマルチエージェントシステムに拡張し、「再帰性によってエージェントのコラボレーション自体をスケーリングできるのか？この目的のために、我々はRecursiveMASを導入する。RecursiveMASは、システム全体を統一された潜在空間の再帰的計算として投げかける再帰的マルチエージェント・フレームワークである。RecursiveMASは、軽量なRecursiveLinkモジュー...
再帰的あるいはループ化された言語モデルは、推論を深めるために潜在的な状態にわたって同じモデル計算を反復的に洗練することによって、新しいスケーリング軸として最近登場した。我々は、このようなスケーリング原理を単一モデルからマルチエージェントシステムに拡張し、「再帰性によってエージェントのコラボレーション自体をスケーリングできるのか？この目的のために、我々はRecursiveMASを導入する。RecursiveMASは、システム全体を統一された潜在空間の再帰的計算として投げかける再帰的マルチエージェント・フレームワークである。RecursiveMASは、軽量なRecursiveLinkモジュールを介して、異種エージェントを協調ループとして接続し、分散内潜在思考生成とエージェント間の潜在状態転送を可能にする。我々のフレームワークを最適化するために、再帰ラウンドをまたいだ共有勾配ベースのクレジット割り当てによる反復的なシステム全体の協調最適化のためのインナー・アウター・ループ学習アルゴリズムを開発する。実行時の複雑性と学習ダイナミクスの理論的分析により、RecursiveMASが標準的なテキストベースのMASよりも効率的であり、再帰的学習中も安定した勾配を維持することを立証する。経験的には、4つの代表的なエージェント協調パターンの下でRecursiveMASをインスタンス化し、数学、科学、医学、検索、コード生成にまたがる9つのベンチマークで評価する。先進的なシングル/マルチエージェントおよび再帰的計算のベースラインと比較して、RecursiveMASは一貫して平均8.3%の精度向上と、1.2倍〜2.4倍のエンドツーエンドの推論速度向上、34.6%〜75.6%のトークン使用量削減を実現している。コードとデータはhttps://recursivemas.github.io。
May 18, 2026 at 4:05 PM
nanoatp.bsky.social
[2/3] 336 Upvotes, 4 Comments, 2 Posts, arXiv:2604.25917

🆕Recursive Multi-Agent Systems

Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao
Recursive or looped language models have recently emerged as a new scaling axis by iteratively refining the same model computation over latent states to deepen reasoning. We extend such scaling principle from a single model to multi-agent systems, and ask: Can agent collaboration itself be scaled through recursion? To this end, we introduce RecursiveMAS, a recursive multi-agent framework that casts the entire system as a unified latent-space recursive computation. RecursiveMAS connects heterogeneous agents as a collaboration loop through the lightweight RecursiveLink module, enabling in-distribution latent thoughts generation and cross-agent latent state transfer. To optimize our framework, we develop an inner-outer loop learning algorithm for iterative whole-system co-optimization through shared gradient-based credit assignment across recursion rounds. Theoretical analyses of runtime complexity and learning dynamics establish that RecursiveMAS is more efficient than standard text-based MAS and maintains stable gradients during recursive training. Empirically, we instantiate RecursiveMAS under 4 representative agent collaboration patterns and evaluate across 9 benchmarks spanning mathematics, science, medicine, search, and code generation. In comparison with advanced single/multi-agent and recursive computation baselines, RecursiveMAS consistently delivers an average accuracy improvement of 8.3%, together with 1.2times-2.4times end-to-end inference speedup, and 34.6%-75.6% token usage reduction. Code and Data are provided in https://recursivemas.github.io.
May 18, 2026 at 4:05 PM
nanoatp.bsky.social
日本語訳 abstract
arXiv:2604.25917

Recursive Multi-Agent Systems
arXiv:2604.25917 Recursive Multi-Agent Systems 再帰的あるいはループ化された言語モデルは、推論を深めるために潜在的な状態にわたって同じモデル計算を反復的に洗練することによって、新しいスケーリング軸として最近登場した。我々は、このようなスケーリング原理を単一モデルからマルチエージェントシステムに拡張し、「再帰性によってエージェントのコラボレーション自体をスケーリングできるのか？この目的のために、我々はRecursiveMASを導入する。RecursiveMASは、システム全体を統一された潜在空間の再帰的計算として投げかける再帰的マルチエージェント・フレームワークである。RecursiveMASは、軽量なRecursiveLinkモジュールを介して、異種エージェントを協調ループとして接続し、分散内潜在思考生成とエージェント間の潜在状態転送を可能にする。我々のフレームワークを最適化するために、再帰ラウンドをまたいだ共有勾配ベースのクレジット割り当てによる反復的なシステム全体の協調最適化のためのインナー・アウター・ループ学習アルゴリズムを開発する。実行時の複雑性と学習ダイナミクスの理論的分析により、RecursiveMASが標準的なテキストベースのMASよりも効率的であり、再帰的学習中も安定した勾配を維持することを立証する。経験的には、4つの代表的なエージェント協調パターンの下でRecursiveMASをインスタンス化し、数学、科学、医学、検索、コード生成にまたがる9つのベンチマークで評価する。先進的なシングル/マルチエージェントおよび再帰的計算のベースラインと比較して、RecursiveMASは一貫して平均8.3%の精度向上と、1.2倍〜2.4倍のエンドツーエンドの推論速度向上、34.6%〜75.6%のトークン使用量削減を実現している。コードとデータはhttps://recursivemas.github.io。
May 18, 2026 at 3:58 PM
nanoatp.bsky.social
[2/30] 336 Upvotes, 4 Comments, 2 Posts, arXiv:2604.25917

🆕Recursive Multi-Agent Systems

Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao
Recursive or looped language models have recently emerged as a new scaling axis by iteratively refining the same model computation over latent states to deepen reasoning. We extend such scaling principle from a single model to multi-agent systems, and ask: Can agent collaboration itself be scaled through recursion? To this end, we introduce RecursiveMAS, a recursive multi-agent framework that casts the entire system as a unified latent-space recursive computation. RecursiveMAS connects heterogeneous agents as a collaboration loop through the lightweight RecursiveLink module, enabling in-distribution latent thoughts generation and cross-agent latent state transfer. To optimize our framework, we develop an inner-outer loop learning algorithm for iterative whole-system co-optimization through shared gradient-based credit assignment across recursion rounds. Theoretical analyses of runtime complexity and learning dynamics establish that RecursiveMAS is more efficient than standard text-based MAS and maintains stable gradients during recursive training. Empirically, we instantiate RecursiveMAS under 4 representative agent collaboration patterns and evaluate across 9 benchmarks spanning mathematics, science, medicine, search, and code generation. In comparison with advanced single/multi-agent and recursive computation baselines, RecursiveMAS consistently delivers an average accuracy improvement of 8.3%, together with 1.2times-2.4times end-to-end inference speedup, and 34.6%-75.6% token usage reduction. Code and Data are provided in https://recursivemas.github.io.
May 18, 2026 at 3:57 PM
le-fil-ia.bsky.social
Générer du texte pour communiquer entre agents, c'est du gaspillage pur. Illinois et Stanford ont décidé de court-circuiter ça, et le résultat est brutal : 2,4x plus vite, 75 % de tokens en moins.

Le principe s'appelle RecursiveMAS. Au lieu que chaque agent… https://www.lefilia.fr/article/3884415
May 17, 2026 at 7:04 AM
le-fil-ia.bsky.social
Les systèmes multi-agents se parlent en texte. C'est leur principal boulet : chaque agent doit attendre que le précédent génère sa réponse avant de commencer. RecursiveMAS propose de remplacer ces échanges textuels par des vecteurs internes.

Illinois et… https://www.lefilia.fr/article/3884415
May 16, 2026 at 7:03 AM
aidailypost.com
RecursiveMAS just slashed multi‑agent inference time by 2.4× and cut token usage 75%. Huge win for AI efficiency—see the benchmarks and what this means for future agents. #RecursiveMAS #MultiAgent #TokenEfficiency

🔗 aidailypost.com/news/recursi...
May 15, 2026 at 10:34 PM
despertarmatinal.bsky.social
Cómo RecursiveMAS acelera la inferencia multiagente en 2,4 veces y reduce el uso de tokens en un 75%

https://despertarmatinal.com/como-recursivemas-acelera-la-inferencia-multiagente-en-24-veces-y-reduce-el-uso-de-tokens-en-un-75/

#Tecnología

No te pierdas las noticias → síguenos en Bluesky
May 15, 2026 at 10:26 PM
gzlin.bsky.social
RecursiveMAS enhances multi-agent collaboration through recursive computation, improving performance, efficiency, and adaptability in various applications.
May 6, 2026 at 1:26 AM
jhosenpai.bsky.social
Source: "RecursiveMAS" by Yang et al. (Stanford/iilinois, Apr 2026). arxiv.org/abs/2604.25917
May 3, 2026 at 2:32 PM
paper.bsky.social
[20/30] 306 Likes, 3 Comments, 2 Posts
2604.25917, cs․AI | cs․CL | cs․LG, 28 Apr 2026

🆕Recursive Multi-Agent Systems

Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao, Jindong Jiang, Hanghang Tong, Tong Zhang, Markus J. Buehler, Jingrui He, James Zou
Recursive or looped language models have recently emerged as a new scaling axis by iteratively refining the same model computation over latent states to deepen reasoning. We extend such scaling principle from a single model to multi-agent systems, and ask: Can agent collaboration itself be scaled through recursion? To this end, we introduce RecursiveMAS, a recursive multi-agent framework that casts the entire system as a unified latent-space recursive computation. RecursiveMAS connects heterogeneous agents as a collaboration loop through the lightweight RecursiveLink module, enabling in-distribution latent thoughts generation and cross-agent latent state transfer. To optimize our framework, we develop an inner-outer loop learning algorithm for iterative whole-system co-optimization through shared gradient-based credit assignment across recursion rounds. Theoretical analyses of runtime complexity and learning dynamics establish that RecursiveMAS is more efficient than standard text-based MAS and maintains stable gradients during recursive training. Empirically, we instantiate RecursiveMAS under 4 representative agent collaboration patterns and evaluate across 9 benchmarks spanning mathematics, science, medicine, search, and code generation. In comparison with advanced single/multi-agent and recursive computation baselines, RecursiveMAS consistently delivers an average accuracy improvement of 8.3%, together with 1.2$\times$-2.4$\times$ end-to-end inference speedup, and 34.6%-75.6% token usage reduction. Code and Data are provided in https://recursivemas.github.io.
May 3, 2026 at 12:06 AM
youshenlim.bsky.social
RecursiveMAS extends recursive computation from single models to multi-agent systems. Agents collaborate through latent space loops, achieving 8.3% accuracy gains, 2.4x speedup, and 75% token reduction across mathematics, science, and code tasks. https://arxiv.org/abs/2604.25917
Recursive Multi-Agent Systems
Recursive or looped language models have recently emerged as a new scaling axis by iteratively refining the same model computation over latent states to deepen reasoning. We extend such scaling principle from a single model to multi-agent systems, and ask: Can agent collaboration itself be scaled through recursion? To this end, we introduce RecursiveMAS, a recursive multi-agent framework that casts the entire system as a unified latent-space recursive computation. RecursiveMAS connects heterogeneous agents as a collaboration loop through the lightweight RecursiveLink module, enabling in-distribution latent thoughts generation and cross-agent latent state transfer. To optimize our framework, we develop an inner-outer loop learning algorithm for iterative whole-system co-optimization through shared gradient-based credit assignment across recursion rounds. Theoretical analyses of runtime complexity and learning dynamics establish that RecursiveMAS is more efficient than standard text-based MAS and maintains stable gradients during recursive training. Empirically, we instantiate RecursiveMAS under 4 representative agent collaboration patterns and evaluate across 9 benchmarks spanning mathematics, science, medicine, search, and code generation. In comparison with advanced single/multi-agent and recursive computation baselines, RecursiveMAS consistently delivers an average accuracy improvement of 8.3%, together with 1.2$\times$-2.4$\times$ end-to-end inference speedup, and 34.6%-75.6% token usage reduction. Code and Data are provided in https://recursivemas.github.io.
arxiv.org
May 1, 2026 at 3:08 AM
ai-firehose.column.social
Introducing RecursiveMAS, a framework enhancing multi-agent systems through recursive collaboration in latent space, optimizing performance without extensive retraining. This approach accelerates inference time while boosting accuracy in complex reasoning tasks. https://arxiv.org/abs/2604.25917
Recursive Multi-Agent Systems
ArXiv link for Recursive Multi-Agent Systems
arxiv.org
April 30, 2026 at 9:10 PM
jhosenpai.bsky.social
Source: arXiv 2604.25917

Recursive Multi-Agent Systems
by Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu |
Introduces RecursiveMAS — a framework that treats multi-agent collaboration as recursive latent-space computation, extending the scaling principle from single models to agent teams.
April 30, 2026 at 6:48 PM