Scaling Small Agents Through Strategy Auctions

Meta Superintelligence Labs, Imperial College London, University of Cambridge 연구진은 시장에서 영감을 받은 조율과 테스트 시점 자기개선을 활용해 이질적인 AI 에이전트들을 오케스트레이션하는 프레임워크 sale(Strategy Auctions for Workload Efficiency)을 개발했다.

Meta Superintelligence Labs, Imperial College London, University of Cambridge 연구진은 시장에서 영감을 받은 조율과 테스트 시점 자기개선을 활용해 이질적인 AI 에이전트들을 오케스트레이션하는 프레임워크 sale(Strategy Auctions for Workload Efficiency)을 개발했다. 이 시스템은 가장 큰 개별 에이전트의 성능에 필적하거나 이를 능가하는 동시에, 심층 검색 및 코딩 과제에서 전체 추론 비용을 35% 절감하고 가장 큰 에이전트에 대한 의존도를 53% 낮췄다.

핵심 요약

• 복잡한 장기 과제에서 더 작은 AI 에이전트가 더 큰 모델 대비 보이는 성능은 잘 이해되지 않았다.
• 이질적인 풀(다양한 크기, 비용, 능력)에서 가장 적합한 AI 에이전트로 과제를 효과적으로 라우팅하여 정확도와 비용을 동시에 최적화하는 것은 과제였다.
• 다중 모델 오케스트레이션을 위한 현재의 라우팅 방법은 에이전트형 워크플로에 너무 비싸거나, 일반화가 부족하고 과제 난이도가 높아질수록 성능이 저하되었다.
• 이질적인 AI 에이전트 간의 동적 과제 할당을 위해 시장에서 영감을 받은 새로운 프레임워크 'Strategy Auctions for Workload Efficiency(sale)'가 도입되었다.
• 에이전트는 각 과제에 대해 짧은 전략적 해결 계획을 '입찰'로 생성하며, 이는 모델 가격과 계획 품질을 고려하는 학습된 비용·가치 메커니즘으로 평가된다.
• 이 프레임워크는 메모리 기반 자기개선 루프를 포함하는데, 여기서 더 저렴한 에이전트는 과거 경매 결과를 활용해 선택적으로 전략을 개선하여 시간이 지남에 따라 성능을 높인다.

논문 링크

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