Single Prompt vs. Debate Multiagente: Uma Análise de Telemetria de Hardware em Tarefas de Contexto Longo com Llama 3.2 2B
Resumo
Este artigo investiga se a redução da carga de contexto por agente em sistemas multiagentes é suficiente para compensar o custo energético adicional da coordenação. Utilizando telemetria de hardware via NVIDIA Management Library (NVML) em uma GPU H100 dedicada, comparamos o processamento monolítico (Single Prompt) com uma arquitetura de Debate Dialético em 100 tarefas do domínio financeiro (janelas de 24k–32k tokens). Um critério de equivalência qualitativa estrita (Smulti ≥ Smono) garante que economias energéticas só sejam contabilizadas quando o sistema multiagente mantém a mesma qualidade do processamento monolítico.
Referências
Bai, Y. et al. (2025). LongBench pro: Towards harder tasks and more rigorous evaluation for long-context understanding.
Chen, L. et al. (2024). Are more LLM calls all you need? towards scaling laws of compound inference systems. In NeurIPS 2024.
Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., and Liang, P. (2024). Lost in the middle: How language models use long contexts. In Transactions of the Association for Computational Linguistics, volume 12, pages 157–173.
Smit, A. et al. (2024). Should we be going MAD? a look at multi-agent debate strategies for LLMs. In ICML 2024.
Tang, X. et al. (2025). Multi-agent systems outperform single-agent on complex tasks: Scaling with reasoning depth.
Wang, H. et al. (2025). A systematic characterization of LLM inference on GPUs.
Wilkins, G., Keshav, S., and Mortier, R. (2024). Offline energy-optimal LLM serving: Workload-based energy models for LLM inference on heterogeneous systems. In HotCarbon 2024.
Chen, L. et al. (2024). Are more LLM calls all you need? towards scaling laws of compound inference systems. In NeurIPS 2024.
Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., and Liang, P. (2024). Lost in the middle: How language models use long contexts. In Transactions of the Association for Computational Linguistics, volume 12, pages 157–173.
Smit, A. et al. (2024). Should we be going MAD? a look at multi-agent debate strategies for LLMs. In ICML 2024.
Tang, X. et al. (2025). Multi-agent systems outperform single-agent on complex tasks: Scaling with reasoning depth.
Wang, H. et al. (2025). A systematic characterization of LLM inference on GPUs.
Wilkins, G., Keshav, S., and Mortier, R. (2024). Offline energy-optimal LLM serving: Workload-based energy models for LLM inference on heterogeneous systems. In HotCarbon 2024.
Publicado
19/07/2026
Como Citar
BARROS, Luiz Alexandre M.; SILVA, Vitor Manoel A. da; SANTOS, Thiago Angelino dos; VIANA, Guilherme Maia R.; B. FILHO, Bruno Gomes de.
Single Prompt vs. Debate Multiagente: Uma Análise de Telemetria de Hardware em Tarefas de Contexto Longo com Llama 3.2 2B. In: SEMINÁRIO INTEGRADO DE SOFTWARE E HARDWARE (SEMISH), 53. , 2026, Gramado/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 1028-1033.
ISSN 2595-6205.
DOI: https://doi.org/10.5753/semish.2026.23941.
