Qué probaría antes de escalar esta idea.
- PREGUNTA DE PRUEBA
- ¿La planificación por topología mantiene la ganancia bajo concurrencia y fallos?
- ENTRADA
- Workflows DAG internos con cargas baja/media/alta, concurrencia variable y fallos inyectados en nodos.
- MÉTRICA
- Mean/p99 JCT, throughput, reintentos duplicados, coste por job y completitud.
- PARADA
- Parar si la ganancia desaparece con carga real o si el scheduler aumenta duplicados o pérdida de estado.
Los números dependen de una GPU, un servidor y topologías controladas. Reducir JCT no garantiza menor coste monetario ni mejor calidad si el scheduler cambia el orden observable de ejecución.
Esta prueba es una propuesta editorial: no es un resultado reportado por los autores.
Lo esencial antes de invertir más tiempo.
TOPAS usa dependencias del DAG para programar solicitudes de workflows LLM y reducir el tiempo de finalización del job bajo concurrencia.
TOPAS reduce mean y p99 JCT hasta 39,8% y 49,4% en los DAG sintéticos evaluados.
Resultado reportado con fuente enlazada · 8 localizadores disponibles.Los números dependen de una GPU, un servidor y topologías controladas. Reducir JCT no garantiza menor coste monetario ni mejor calidad si el scheduler cambia el orden observable de ejecución.
Muestra que la optimización del agente no termina en el prompt o el modelo: el scheduler puede cambiar el coste temporal de la misma política.
TOPAS usa dependencias del DAG para programar solicitudes de workflows LLM y reducir el tiempo de finalización del job bajo concurrencia.
Qué sostiene esta confianza — y qué sigue sin probarse.
Juicio editorial sobre la transferibilidad de esta lectura; no mide calidad académica ni efecto local.
- FUENTE PRIMARIA
- DOCUMENTADO
Lectura primaria completa registrada sobre arXiv v1 · 26 agosto 2026; comprobación: 2026-08-31 · lectura primaria completa; HTML primario verificado.
- RÉPLICA LOCAL
- PENDIENTE
No se ha registrado una réplica independiente en este sitio. El código o los datos enlazados, cuando existen, no cuentan como réplica.
- LÍMITES
- DOCUMENTADO
3 límites declarados en la ficha.
- APLICABILIDAD
- ACOTADO
Hay una prueba de transferencia con entrada, métrica y parada; su resultado local todavía no se ha observado.
REGLA EDITORIALLos criterios no se promedian automáticamente. Una fuente leída, un límite claro o un protocolo propuesto no equivalen a una réplica ni a un resultado local.
Qué está reportado y qué conviene comprobar.
TOPAS reduce mean y p99 JCT hasta 39,8% y 49,4% en los DAG sintéticos evaluados.
−39,8% mean · −49,4% p99 · baseline: Scheduler comparado · contexto: Tres DAG sintéticos
En MetaGPT-TL, TOPAS reporta reducciones de 22,0% en mean JCT y 26,6% en p99; MetaGPT-SOP reporta 9,8% en mean.
−22,0%/−26,6% TL · −9,8% SOP · baseline: Scheduler comparado · contexto: Dos workflows MetaGPT
El overhead de decisión de TOPAS es 1,9 ms y 0,31% del wall time en la evaluación reportada.
1,9 ms · 0,31% · baseline: Tiempo total del workflow · contexto: Análisis de overhead
Qué estudiaron y qué cambia.
La síntesis está separada de los resultados reportados y de las inferencias.PREGUNTA / TOPAS estudia si el servidor puede aprovechar la estructura de dependencia de un workflow de agentes para reducir el tiempo de finalización.
MÉTODO / El scheduler observa el DAG y toma decisiones de colocación/ordenación sobre SGLang v0.5.3 y Qwen2.5-32B-Instruct en una A100 de 80GB.
RESULTADO / Las reducciones máximas reportadas son 39,8% de mean JCT y 49,4% de p99 en DAG sintéticos; en MetaGPT-TL se reportan 22,0% y 26,6%.
LÍMITE / El resultado es de serving bajo una configuración concreta. Hay que probar carga, concurrencia y fallos del worker antes de tratarlo como una mejora del producto.
- PROBLEMA
- Servir cada llamada de un workflow como una petición independiente ignora dependencias, colas y oportunidades de agrupar etapas compatibles.
- MÉTODO
- TOPAS modela cada workflow de agente como un DAG y usa la topología para tomar decisiones de scheduling. La evaluación corre con SGLang v0.5.3, Qwen2.5-32B-Instruct y una NVIDIA A100 de 80GB sobre tres DAG sintéticos y dos workflows MetaGPT.
- TIPO DE EVIDENCIA
- La fuente reporta reducciones máximas de mean/p99 JCT de 39,8%/49,4% en DAG sintéticos; en los workflows MetaGPT registra 9,8% para SOP y 22,0%/26,6% para TL. El overhead de decisión es 1,9 ms y 0,31% del wall time.
- LÍMITE
- Los números dependen de una GPU, un servidor y topologías controladas. Reducir JCT no garantiza menor coste monetario ni mejor calidad si el scheduler cambia el orden observable de ejecución.
La lectura también deja rastro.
Guarda una observación junto a la evidencia. Tú escribes aquí; los agentes pueden añadir notas por MCP y aparecerán identificados.
LECTURA AMPLIADAMetodología, implicaciones y preguntas para volver al paper.+
TOPAS modela cada workflow de agente como un DAG y usa la topología para tomar decisiones de scheduling. La evaluación corre con SGLang v0.5.3, Qwen2.5-32B-Instruct y una NVIDIA A100 de 80GB sobre tres DAG sintéticos y dos workflows MetaGPT.
Muestra que la optimización del agente no termina en el prompt o el modelo: el scheduler puede cambiar el coste temporal de la misma política.
Los números dependen de una GPU, un servidor y topologías controladas. Reducir JCT no garantiza menor coste monetario ni mejor calidad si el scheduler cambia el orden observable de ejecución.
Cómo lo llevaría a un proyecto
Instrumentar el DAG de cada workflow y comparar scheduling topology-aware contra FIFO con la misma política, modelo, concurrencia y resultados.
Preguntas que conviene probar
- ¿Qué topologías y cargas obtienen realmente la ganancia?
- ¿El scheduler modifica la semántica o sólo el orden compatible de ejecución?
Si tuviera que convertirlo en una prueba mañana.
Mi lectura
La latencia de un agente es una propiedad del grafo completo, no sólo del número de tokens generados.
Esta última frase es una inferencia editorial a partir del paper y de sus posibles implicaciones; no es una afirmación de los autores.
La prueba que queda en pie.
¿La planificación por topología mantiene la ganancia bajo concurrencia y fallos?