LG AI Research, ICML 2026서 다중 에이전트 효율성 높이는 LASE 프레임워크 제안

·2026.11.17 09:00

핵심 내용

LG AI Research의 LASE가 토큰 효율을 극대화하며 정확도를 높였다

1 / 6

자세히 보기

  • LG AI Research가 ICML 2026에서 LASE(Leader-Adaptive Structured Engagement) 프레임워크를 발표함. 다중 에이전트 논쟁의 효과성이 에이전트 수가 아닌 타이밍과 구조에 달려 있다는 점을 강조함.
  • LASE는 Gemini-2.0-Flash를 사용해 MATH-500에서 평균 1.1k 토큰으로 87.2% 정확도를 기록함. 이는 Majority Voting(86.4% 정확도, 5.2k 토큰)과 표준 Multi-Agent Debate(74.8% 정확도, 11.8k 토큰)보다 우수한 결과임.
  • 단일 Leader가 불확실성이 높을 때만 논쟁을 시작하는 Leader-Adaptive 구조를 채택함. Min Logprob와 Max Entropy를 신뢰도 프록시로 사용하여 개입을 트리거함.
  • Supporters가 Leader에게 표적 신호(Adversarial Check, Peer Support, Expert Agent)를 제공하는 1:1 Directed Star Topology를 따름. 기대 정확도를 높이지 못할 수 있는 대칭적 all-to-all 논쟁을 피함.
  • 캘리브레이션 분석 결과, 높은 Min Logprob(0.99 이상)는 85.5% 정확도와 상관관계가 있으며, 낮은 신뢰도(0.50 미만)는 50.9%로 떨어짐. 이는 불확실성 게이트가 신뢰할 수 있는 오류 신호임을 검증함.
  • Llama-3-8B 같은 소형 모델에서도 LASE는 MATH-500에서 32.9% 정확도를 달성함. Single Agent(25.7%)와 표준 Multi-Agent Debate(24.1%)를 상회하며, 제한된 기반 모델 능력에서도 이점을 입증함.

이 한국어 요약은 AI가 자동으로 만들었습니다. 원문의 주장과 맥락은 원문에서 확인해 주세요. 저작권은 원저작자에게 있습니다.

AI 처리 방식을 확인하거나, 요약 오류와 출처 표기 문제, 삭제 요청을 문의 · 건의로 알려주세요.