Budget-Aware Tool-Use Enables Effective Agent Scaling

이 연구는 자원 제약 하에서 효율성과 성능을 개선하기 위해 도구로 보강된 대형 언어 모델 에이전트를 위한 예산 인지 전략을 도입한다.

이 연구는 자원 제약 하에서 효율성과 성능을 개선하기 위해 도구로 보강된 대형 언어 모델 에이전트를 위한 예산 인지 전략을 도입한다. Budget Tracker와 BATS 프레임워크를 포함한 제안된 방법들은 에이전트가 외부 도구를 전략적으로 활용하고 기존 접근법에 비해 더 적은 자원으로 더 높은 정확도를 달성하도록 한다.

핵심 요약

• 표준적인 도구 보강 LLM 에이전트는 본질적인 '예산 인지'가 부족하여 자원을 비효율적으로 사용하고, 도구 호출 예산을 늘려도 금세 성능 한계에 부딪힌다.
• 에이전트의 테스트 시점 확장에서 LLM 토큰 소비와 외부 도구 상호작용의 경제적 비용을 함께 평가하는 체계적 연구나 공식 비용 지표가 없었다.
• 에이전트는 흔히 얕은 탐색을 수행하거나 추가로 사용 가능한 자원을 전략적으로 활용하지 않고 조기에 종료하여, 차선의 결과와 낭비된 연산을 초래한다.
• 프롬프트 수준의 정책 지침과 상태 업데이트를 통해 에이전트에게 실시간의 연속적인 예산 인지를 제공하는 경량의 플러그 앤 플레이 모듈로 'Budget Tracker'를 개발했다.
• 연속적 예산 인지를 활용해 에이전트의 계획(제약 분해, 구조화된 동적 계획)과 자기 검증 전략을 동적으로 조정하는 학습 불필요 프레임워크로 BATS(Budget Aware Test-time Scaling)를 도입했다.
• 내부 LLM 토큰 소비와 외부 도구 상호작용의 경제적 비용을 모두 포괄적으로 반영하는 통합 비용 지표를 정식화하여, 확장 효율성을 투명하게 평가할 수 있게 했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.