日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

システム/展開最適化arXiv:2607.18171

FlashRT: エージェントを誘導してリアルタイムマルチモーダルアプリケーションを展開するエージェントハーネス

FlashRT: Agent Harness for Guiding Agents to Deploy Real-Time Multimodal Applications

シェア:XThreadsFacebookLINEはてブBluesky

FlashRTは、コーディングエージェントを誘導して、開発者が書いた簡単な参照実装を最適化されたマルチGPU展開に変換するエージェントハーネスです。チェーン・オブ・プログラムという新しいパラダイムを用いて、中間表現の生成、検証、静的解析、そして測定ゲート付き最適化ループを通じて、レイテンシとスループットの目標を柔軟に調整します。

詳しい要約

1. どんなもの?

FlashRTは、リアルタイムのマルチモーダルアプリケーション(音声エージェントやインタラクティブなビデオ生成など)を効率的にデプロイするためのエージェントハーネスである。開発者が書いた単純な参照実装を、マルチGPUデプロイメントに変換する。この変換は、レイテンシやスループットなどの目標メトリクスを柔軟に重み付けして最適化される。

2. 先行研究と比べてどこがすごい?

既存のサーバングシステムや自動並列化コンパイラは、限られた変換と固定のワークロード仮定に依存しており、新しいアプリケーションで高性能を達成するには手作業による実装が必要だった。FlashRTは、コーディングエージェントを誘導して、アプリケーション固有の配置、ストリーミング、モデル内並列性の決定を自動化する点で優れている。

3. 技術・手法の肝は?

FlashRTは、チェーン・オブ・プログラム(chain-of-program)パラダイムを用いる。具体的には、汎用コーディングエージェントを多段階の変換プロセスで誘導する。まず、参照実装を中間表現(IR)に変換してデータ依存関係と永続状態のスコープを捉え、逐次インタプリタで検証し、静的解析で候補変換を特定する。その後、エージェントは各候補を反復的に実装・検証・ベンチマークし、測定ゲート付き最適化ループで効果的なデプロイメントを生成する。

4. どうやって有効だと検証した?

ビデオワールドモデルやマルチモーダルLLMを含む様々なアプリケーションで、参照実装を高効率なデプロイメントに変換できることを示した。NVIDIA B200 GPUでは最大約70倍のレイテンシ削減と2.8倍のスループット向上を達成。AMD MI355X GPUでは、ピークレイテンシ削減は同等で、ピークスループット向上は3.6倍に増加した。さらに、Qwen3-Omniのテキストから音声への推論では、AMD MI355X上で専門家によるvLLM-Omni実装と比較して応答レイテンシを65%削減した。

5. 議論はある?

要旨からは、エージェント駆動の最適化が、専門家による最適化が未熟なプラットフォーム(AMD MI355X)でよりスケーラブルである可能性が示唆される。しかし、具体的な限界やトレードオフ(例えば、変換プロセスの時間コストや汎用性の制約)については要旨からは不明である。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、既存のサーバングシステム(例:vLLM-Omni)や自動並列化コンパイラが挙げられる。また、コーディングエージェントの一般的な手法(例:chain-of-program)や、マルチモーダルアプリケーションのデプロイメントに関する研究が関連する。具体的な論文名は要旨にないため、同分野の定番として、LLMベースのエージェントによるコード生成や最適化に関する研究を挙げる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Krish Agarwal, Zhuoming Chen, Yanyuan Qin, Zhenyu Gu, Atri Rudra, Beidi Chen

分類: cs.LG

原文アブストラクト

Real-time multimodal applications, including voice agents and interactive video generation, compose heterogeneous models into pipelines whose efficient deployment requires application-specific decisions about placement, streaming, and intra-model parallelism. Existing serving systems and auto-parallelism compilers commit to limited transformations and fixed workload assumptions, so achieving high performance on a new application requires hand-crafting an efficient implementation. We present FlashRT, an agent harness that guides coding agents to lift simple developer-written reference implementations into optimized multi-GPU deployments that flexibly weigh target metrics like latency and throughput. Using a new chain-of-program paradigm, FlashRT directs a generic coding agent through a multi-pass transformation process where an agent transforms the reference into an intermediate representation (IR) to capture data dependencies and persistent-state scopes, validates this IR via a sequential interpreter, and performs static analyses to identify candidate transformations. Then, the agent iteratively implements, verifies, and benchmarks each candidate under a measurement-gated optimization loop to produce effective deployments that span different hardware budgets. Across various applications, including video world models and multimodal LLMs, FlashRT converts reference implementations into highly efficient deployments, delivering up to ~70x latency reduction and 2.8x throughput improvement on NVIDIA B200 GPUs. On AMD MI355X GPUs, FlashRT matches the peak latency reduction while increasing peak throughput improvement to 3.6x, demonstrating that agent-driven optimization can be more scalable on platforms with less mature expert optimization. In fact, for Qwen3-Omni text-to-audio inference, FlashRT reduces response latency by 65% compared to the expert vLLM-Omni implementation on AMD MI355X.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI