LG AI연구원, 신뢰도 기반 적응형 토론으로 멀티에이전트 추론 효율성 제고
·2026.11.17 09:00
핵심 내용
LG AI연구원이 신뢰도 기반 LASE 프레임워크를 제안해 멀티에이전트 추론의 정확도와 효율성을 동시에 높였다.
자세히 보기
- ICML 2026에서 발표된 LASE(Leader-Adaptive Structured Engagement) 프레임워크가 신뢰도 기반 적응형 토론을 통해 효율적인 멀티에이전트 추론을 구현함
- Gemini-2.0-Flash 기준 MATH-500 벤치마크에서 기존 멀티에이전트 토론(MAD)의 74.8%를 넘어 87.2%의 정확도를 기록함
- 평균 토큰 사용량은 1.1k로, 기존 MAD(11.8k)나 다수결 투표(MV, 5.2k) 대비 단일 에이전트 수준으로 절감함
- 리더 에이전트의 불확실성(Min Logprob, Max Entropy)이 높을 때만 서포터 에이전트를 단계적으로 개입시켜 비대칭적 상호작용 구조를 형성함
- 이론적으로 대칭적 토론의 마팅게일 중립성을 깨뜨려 양의 기대 정확도 이득을 보장하며, 비용은 O(T) 수준으로 제한함
- Llama-3-8B 모델에서도 기존 대칭적 토론이 단일 에이전트보다 낮은 성능을 보인 반면, LASE는 32.9%의 정확도로 가장 높은 성능을 달성함
- 향후 서포터 에이전트 앙상블 확장 및 시맨틱 불확실성, 프로세스 리워드 모델(PRM) 활용을 통해 불확실성 신호를 고도화할 계획임
이 한국어 요약은 AI가 자동으로 만들었습니다. 원문의 주장과 맥락은 원문에서 확인해 주세요. 저작권은 원저작자에게 있습니다.