Modality-native Routing steigert Agent-Netzwerke um 20 % Genauigkeit

Eine neue Studie aus dem arXiv-Repository zeigt, dass die Weiterleitung multimodaler Signale in Agent-to-Agent (A2A)-Netzwerken die Aufgabenleistung um bis zu 20 Prozentpunkte gegenüber herkömmlichen Text-bottleneck-Ansätzen verbessert. Der Effekt tritt jedoch nur ein, wenn der nachfolgende Analyse-Agent die reichhaltige, multimodale Kontextinformation nutzen kann.

Die Autoren haben die Architektur MMA2A entwickelt, die die in den Agent Cards deklarierten Fähigkeiten ausliest und Sprach-, Bild- sowie Textdaten in ihrer nativen Modalität weiterleitet. Auf dem CrossModal‑CS-Benchmark, der 50 kontrollierte Aufgaben mit demselben LLM-Backend umfasst, erreichte MMA2A 52 % Erfolgsrate, während der Text-bottleneck-Ansatz lediglich 32 % erreichte. Der Unterschied von 20 pp ist statistisch signifikant (95 % Bootstrap‑Konfidenzintervall: [8, 32] pp; McNemar‑Test p = 0,006).

Besonders stark profitieren bildbasierte Aufgaben: Produktfehlerberichte steigen um 38,5 pp und visuelle Fehlersuche um 16,7 pp. Ein Ablationsversuch, bei dem die LLM‑gestützte Analyse durch einfache Schlüsselwort‑Suche ersetzt wurde, eliminiert die Genauigkeitslücke vollständig (36 % vs. 36 %). Damit wird klar, dass Routing und Agent‑Level‑Reasoning als zwei unabhängige Schichten zusammenwirken müssen, um den Nutzen zu realisieren.

Die Ergebnisse unterstreichen, dass die Wahl des Routing‑Mechanismus ein entscheidender Designfaktor in Multi‑Agent‑Systemen ist, da er bestimmt, welche Informationen für die nachfolgende Analyse zur Verfügung stehen. Der Preis für die native multimodale Verarbeitung beträgt lediglich 1,8‑fach höhere Latenz, was die Vorteile in vielen Anwendungen überwiegt.