AIエージェントの性能とコスト最適化を実現する新たなアプローチ「Avengers-Pro」が登場。この研究では、パレート最適境界（Pareto Frontier）を活用し、リアルタイムで自然言語モデル（LLM）の選定を最適化する仕組みを構築。従来のAIエージェントは、一つのLLMを固定して運用する「静的アプローチ」が主流だったが、Avengers-Proは動的に最適モデルを切り替える「動的オーケストレーション」を実現。 システムは、入力されたプロンプトを軽量モデル（Qwen3-embedding-8B）で意味ベクトルに変換。その後、60の意味的に整合したクラスタに分類。各クラスタに対して、複数のLLM（例：Qwen3シリーズからGPT-5-mediumまで8種類）の性能とコストを評価し、精度とトークン消費量を統合した「パフォーマンス効率スコア」を算出。これにより、各対話ターンごとに、最もコストパフォーマンスに優れたモデルにリクエストをルーティング。 例えば、簡単な質問にはGemini-2.5-flashのような低コストモデルを、複雑な推論にはGPT-5などの高精度モデルを割り当てる。この仕組みにより、精度が同等でもコスト差が顕著な従来のシステムを大幅に改善。6つの厳しいベンチマークテストで、精度と効率の両面で優れた成果を示した。 この研究は、AIエージェント開発における「コストの無視」を是正。多くのシステムが複数のLLM呼び出しやプロンプト調整によるコストを軽視しているが、Avengers-Proはコストを最適化の中心に据えることで、実用化に向けた実行可能性を高めた。特に、生産環境での運用経験が不足する現状において、この自律的なモデル選定は、信頼性と持続可能性の向上に貢献する。 AIエージェント開発において「仮定された知識」に頼るのではなく、現実の性能・コストのトレードオフを正確に把握することが、今後の進化の鍵となる。