Naukowcy przedstawili Arbor, framework łączący wielu agentów autonomous w jednym systemie optymalizacyjnym. Kluczowa innowacja to traktowanie przeszukiwania drzewa jako centralnej warstwy kognitywnej — zamiast izolowanych ewaluacji, system utrzymuje wspólne drzewo hipotez z przypisanymi wynikami, które ewoluuje z każdym pomiarem. Błędy nie są odrzucane, lecz wykorzystywane jako informacja diagnostyczna, która kształtuje kolejne kierunki eksploracji.
Arch systemu opiera się na współpracy dwóch typów agentów: Orchestrator steruje optymalizacją, delegując zadania specjalistom domenowych rozłożonym na całym stosie inferencji (aplikacja, framework, kompilator, kernel, sprzęt), a Critic chroni stabilność poprzez analizę pierwiastkowych przyczyn i walidację pomiarów. To checks-and-balances — żaden agent nie może samodzielnie kierować systemem. Framework pozwala na całkowicie autonomiczne kampanie optymalizacyjne trwające wiele dni, rozdzielając umiejętności na hard skills (wiedza domenowa) i soft skills (protokoły koordynacji).
Wyniki są imponujące: Arbor osiąga do 193% poprawy w metryce Pareto throughput-latency nad zoptymalizowanymi przez producentów bazami. To oznacza, że system potrafi znaleźć rozwiązania, które są jednocześnie szybsze i bardziej responsywne niż to, co zwykle udaje się inżynierom manualne. Dla branży AI to potencjalnie przełomowe — wskazuje, że zamiast ludzkiego engineering team'u mogą to robić skoordynowane autonomiczne systemy agentów.