Recursive Multi-Agent Systems

RecursiveMAS는 재귀적 계산을 멀티 에이전트 시스템에 통합하는 프레임워크를 도입하여, 에이전트가 명시적 텍스트 대신 반복적 잠재 공간 상호작용을 통해 협업적 추론을 정제할 수 있게 한다.

RecursiveMAS는 재귀적 계산을 멀티 에이전트 시스템에 통합하는 프레임워크를 도입하여, 에이전트가 명시적 텍스트 대신 반복적 잠재 공간 상호작용을 통해 협업적 추론을 정제할 수 있게 한다. 이 접근법은 텍스트 기반 재귀 멀티 에이전트 시스템 대비 평균 정확도를 최대 20.2% 향상시키고 추론 속도를 최대 2.4배 가속하며, 토큰 사용량을 크게 줄인다.

핵심 요약

• 단일 LLM은 광범위한 추론이나 다양한 전문성이 필요한 복잡한 과제에서 어려움을 겪는 경우가 많다.
• 기존 멀티 에이전트 시스템(MAS)은 명시적 텍스트 기반 상호작용에 의존하여 높은 지연 시간, 증가한 토큰 사용량, 시스템 수준 최적화 시 기울기 불안정성을 초래한다.
• 학습을 통해 MAS 내 에이전트 전체를 최적화하는 것은 계산 비용이 크며, 프롬프트 기반 적응은 핵심 에이전트 능력 향상에 한계가 있다.
• 전체 멀티 에이전트 시스템을 협업적 추론의 반복적 정제를 위한 통합된 잠재 공간 재귀 계산으로 정식화하는 프레임워크 RecursiveMAS를 개발했다.
• 에이전트 간 효율적인 잠재 상태 전달과 정제를 가능하게 하는 경량 잔차 RecursiveLink 모듈(에이전트 내부용 inner, 에이전트 간용 outer)을 도입했다.
• 베이스 LLM 파라미터는 동결한 채 RecursiveLink만 배타적으로 최적화하는 2단계 inner-outer 루프 학습 알고리즘을 구현하여 안정적인 시스템 수준 공동 최적화를 촉진했다.

논문 링크

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