대규모 언어 모델의 기억력 한계 극복, 그래프 기반 재구성 기술 개발

팩트싱가포르 국립대학교 연구진은 최근 대규모 언어 모델(LLM) 에이전트가 긴 상호작용 기록을 처리할 때 겪는 한계를 해결하기 위해 'MRAgent' 프레임워크를 제안했습니다. 연구진 소속 정보는 arxiv 등록 기준입니다.

주장기존의 LLM 에이전트는 기억을 단순히 검색하는 '검색 후 추론' 방식에 의존합니다. 이 방식은 고정된 파이프라인으로 인해 추론 과정에서 발견된 새로운 증거에 유연하게 대응하지 못합니다.

팩트MRAgent는 기억을 '큐-태그-콘텐츠(Cue-Tag-Content)' 그래프 형태로 표현합니다. 여기서 연관 태그는 세밀한 단서와 기억 내용을 연결하는 의미적 교량 역할을 수행합니다.

주장연구진은 기억을 단순히 꺼내는 것이 아니라, 추론 과정에서 능동적으로 재구성해야 한다고 강조합니다. 이를 통해 에이전트는 축적된 증거를 바탕으로 기억 검색 경로를 반복적으로 탐색하고 정제합니다.

팩트이 기술은 잠재 공간(Latent Space, 데이터의 핵심 특징을 압축하여 표현하는 다차원 공간) 내에서 정보를 구조화합니다. 이를 통해 에이전트는 무분별한 정보 확장을 방지하고 추론 문맥에 최적화된 기억을 검색합니다.

팩트LoCoMo 벤치마크와 LongMemEval 벤치마크 실험 결과, MRAgent는 기존 모델 대비 추론 성능을 최대 23% 향상했습니다. 또한 토큰 사용량과 런타임 비용을 대폭 절감하는 성과를 거뒀습니다.

교차검증본 논문은 arxiv에 선공개된 프리프린트(Preprint) 상태입니다. 따라서 학계의 엄격한 동료 평가(Peer Review) 과정을 거치지 않았음을 유의해야 합니다.

교차검증해당 연구는 특정 벤치마크 환경에서 우수한 성능을 보였으나, 실제 복잡하고 비정형적인 실무 데이터 환경에서도 동일한 재현성과 범용성을 확보할 수 있을지는 추가 검증이 필요합니다.

주장이번 연구는 LLM 에이전트가 장기적인 맥락을 이해하고 기억을 관리하는 방식에 새로운 패러다임을 제시합니다. 기억을 정적인 데이터가 아닌 동적인 재구성 대상으로 바라본 점이 핵심입니다.

팩트연구진은 이번 프레임워크가 멀티 에이전트 시스템(MAS, 여러 지능형 에이전트가 협력하여 문제를 해결하는 체계) 환경에서도 효율적으로 작동할 것으로 기대합니다.

주장인공지능이 인간처럼 과거의 경험을 상황에 맞게 재구성하여 활용하게 된다면, 복잡한 문제 해결 능력이 비약적으로 발전할 것입니다.

출처arxiv의 선공개 논문(https://arxiv.org/abs/2606.06036)을 참고했습니다.