랭모 연구진, 에이전트 의사결정 성능 높이는 분리형 예측 구조 공개
랭모 연구진이 언어 모델과 조건부 예측기를 결합해 에이전트의 의사결정 정확도를 대폭 높이는 아키텍처를 개발했습니다. 50개 벤치마크에서 평균 정확도가 84.92퍼센트로 상승했으며 특정 도구 활용 과제에서는 30퍼센트 이상 성능이 향상됐습니다. 이번 연구는 아르시브에 선공개되어 향후 동료 평가를 남겨두고 있습니다.
주장랭모 연구진이 인공지능 에이전트(Autonomous Agent, 자율적으로 목표를 수행하는 소프트웨어 프로그램)의 판단 능력을 극적으로 끌어올리는 새로운 구조를 세상에 선보였습니다.
팩트연구진의 소속 정보는 아르시브 등록 기준으로 표기되며 주요 저자에는 랭모와 싱수안 장 등이 이름을 올렸습니다.
주장에이전트는 실제 환경에서 마주하는 경험적 관계를 바탕으로 의사결정을 내려야 하지만 언어 설명만으로는 이를 해결하기 어렵습니다.
팩트연구진은 이 문제를 해결하고자 분리형 예측 의사결정 구조인 디피디엠 아키텍처를 새롭게 고안했습니다.
팩트디피디엠은 사전 학습된 공유 예측기를 활용해 이질적인 에이전트 결정을 조건부 예측 문제로 재정의합니다.
팩트언어 모델은 현재와 과거 기록의 의미론적 표현을 제공하며 범용 조건부 예측기는 주어진 증거를 바탕으로 과제 목표를 예측합니다.
팩트이 과정에서 두 모델의 신경망 파라미터를 수정하지 않고도 문제별 예측을 수행합니다.
팩트단일 동결된 리믹스 투 예측기가 다섯 가지 과제 범주를 모두 지원하며 큐원 삼점오 이십칠비 모델이 의미론적 인코더로 작동합니다.
팩트50개 벤치마크에서 평균 정확도는 기존 퓨샷 프롬프팅 방식의 78.80퍼센트에서 84.92퍼센트로 상승합니다.
팩트도구 프알엠벤치 비에프시엘 과제와 툴샌드박스 과제에서 절대 정확도는 각각 34.26퍼센트와 28.87퍼센트 향상됩니다.
교차검증해당 논문은 아르시브에 선공개된 프리프린트로 아직 공식적인 동료 평가를 거치지 않았습니다.
교차검증실제 배포 환경에서 다양한 도메인과 복잡한 과거 기록을 다룰 때 데이터 편향이나 일반화 성능 저하가 발생할 가능성을 검증해야 합니다.
출처arxiv의 선공개 논문(https://arxiv.org/abs/2611.02075)을 참고했습니다.
관련 콘텐츠
본 기사는 전문가의 분석과 공개 자료를 기반으로 AI가 작성 후 다른 AI의 검증을 거쳐 작성됐으며 정보의 정확성과 완전성을 보장하지 않습니다. 기사 내용은 특정 투자·의사결정의 권유가 아니며, Wittgenhaus는 이를 근거로 한 행위의 결과에 책임을 지지 않습니다.
