# More Agents Is All You Need

**Authors:** Junyou Li, Qin Zhang, Yangbin Yu, Qiang Fu, Deheng Ye  
**arXiv:** [2402.05120](https://arxiv.org/abs/2402.05120)  
**Date:** 2024-02-03  
**Summary page:** https://www.summarizepaper.com/fr/paper/2402.05120v1/

## Key points

- La méthode d'échantillonnage et de vote peut améliorer les performances des grands modèles de langage (LLM)
- Plus le nombre d'agents instanciés est élevé, meilleures sont les performances du modèle
- Cette méthode est indépendante des méthodes complexes existantes pour améliorer les LLM
- Elle offre un potentiel d'amélioration significatif en fonction de la difficulté de la tâche
- Des expériences approfondies ont été menées sur différents référentiels LLM pour valider cette découverte
- Le code source est disponible publiquement pour reproduire les résultats et poursuivre les recherches dans ce domaine
- Les auteurs de l'étude sont Junyou Li, Qin Zhang, Yangbin Yu, Qiang Fu et Deheng Ye

## Summary

Dans cette étude intitulée "More Agents Is All You Need", nous explorons comment augmenter les performances des grands modèles de langage (LLM) en utilisant une méthode simple basée sur l'échantillonnage et le vote. Nous constatons que plus le nombre d'agents instanciés est élevé, meilleures sont les performances du modèle. Cette méthode s'avère être indépendante des méthodes complexes existantes pour améliorer les LLM et offre un potentiel d'amélioration significatif en fonction de la difficulté de la tâche. Pour valider notre découverte, nous avons réalisé des expériences approfondies sur différents référentiels LLM. Ces expériences ont confirmé la présence du phénomène observé et nous ont permis d'étudier les propriétés qui favorisent son occurrence. Notre code source est disponible publiquement, ce qui permet à d'autres chercheurs de reproduire nos résultats et de poursuivre les recherches dans ce domaine. Nous espérons que cette découverte ouvrira de nouvelles perspectives pour l'amélioration des performances des LLM. Les auteurs de cette étude sont Junyou Li, Qin Zhang, Yangbin Yu, Qiang Fu et Deheng Ye. Nous avons découvert que la méthode d'échantillonnage et de vote peut considérablement améliorer les performances des grands modèles de langage (LLM), avec un effet positif croissant en fonction du nombre d'agents instanciés. Cette approche se révèle également indépendante des méthodes complexes existantes pour améliorer les LLM et offre un potentiel d'amélioration significatif en fonction de la difficulté de la tâche. Pour confirmer notre découverte, nous avons mené des expériences approfondies sur une variété de référentiels LLM. Les résultats ont confirmé l'existence du phénomène observé et nous ont permis d'étudier les propriétés qui favorisent son apparition. Notre code source est disponible publiquement à l'adresse suivante: \url{https://anonymous.4open.science/r/more_agent_is_all_you_need}. Nous espérons que cette découverte ouvrira de nouvelles perspectives pour l'amélioration des performances des LLM. Les auteurs de cette étude sont Junyou Li, Qin Zhang, Yangbin Yu, Qiang Fu et Deheng Ye.