PyTorchKR Papers

최신 논문

총 96편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.12886v1cs.AI

미세조정 없는 자율적 임상 증상 탐지를 위한 멀티 에이전트 시스템: 개발 및 검증 연구

A Multi-Agent System for Autonomous, Fine-Tuning-Free Clinical Symptom Detection: Development and Validation Study

임상 기록에는 환자가 진료를 받게 만든 많은 징후와 증상이 담겨 있지만, 이러한 정보는 구조화된 필드에 거의 반영되지 않는다. 기존 추출 접근법은 문맥에 둔감한 규칙에 의존하여 위양성을 발생시키거나, 상당한 미세조정을 요구하는 지도 학습 모델에 의존한다. 우리는 수동 프롬프트 엔지니어링이나 미세조정 없이 임상 개념에 대한 추출 프롬프트를 자율적으로 작성하고 최적화하는 멀티 에이전트 시스템 Pythia를 제안한다. 로컬에 호스팅된 오픈 가중치 모델에서 실행되는 Pythia는 임상 기록을 로컬 인프라에 유지하고, 개발 세트의 민감도와 특이도를 사용하여 프롬프트를 선택한다. 387명의 환자를 대표하는 400건의 임상 기록에서 72가지 징후 및 증상에 대해 Pythia를 큐레이션된 어휘집과 비교했다. 각 개념마다 개발(n=300) 및 검증(n=100) 세트를 독립적으로 분할했다. Pythia는 평균 민감도 0.76과 특이도 0.95를 달성했으며, 어휘집은 0.82와 0.76이었다. 직접 비교 가능한 62개 개념 중 20개에서 Pythia는 두 지표 모두 어휘집과 동등하거나 그 이상이었다. 어휘집이 모든 기록을 양성으로 표시한 14개 개념에 대해, Pythia는 용어의 단순 텍스트 언급이 아닌 현재형의 환자 귀속 소견을 요구함으로써 평균 특이도 0.97을 회복했다. 특이도는 유병률 전반에 걸쳐 개발에서 검증으로 최소한의 저하로 전이되었으나, 민감도 전이는 5% 미만 유병률에서 약화되어 2% 미만 유병률에서 평균 격차 0.25에 달했다. 동일한 개발 세트에서 개념별로 미세조정된 BERT 분류기는 평균 민감도 0.23을 달성했으며, 대략 5% 미만 유병률의 개념에서는 민감도가 0으로 붕괴했다. 이러한 결과는 자율적이고 미세조정 없는 프롬프트 최적화가 로컬 인프라에 배포 가능한 상태를 유지하면서 개발에서 검증으로 효과적으로 일반화되는 증상 추출 프롬프트를 생성할 수 있음을 시사한다.

arXiv:2506.12339v2cs.HC

SheetMind: 스프레드시트 자동화를 위한 엔드투엔드 LLM 기반 멀티 에이전트 프레임워크

SheetMind: An End-to-End LLM-Powered Multi-Agent Framework for Spreadsheet Automation

우리는 자연어 지시를 통해 스프레드시트 자동화를 수행하는 대규모 언어 모델(LLM) 기반 모듈형 멀티 에이전트 프레임워크인 SheetMind를 제안한다. 본 논문에서는 세 가지 전문화된 에이전트로 구성된 계층적 에이전트 시스템을 소개한다: 복잡한 사용자 지시를 하위 작업으로 분해하는 Manager Agent, Backus-Naur Form(BNF) 문법을 사용하여 이를 구조화된 명령으로 변환하는 Action Agent, 그리고 생성된 동작과 사용자의 원래 의도 간 정렬을 검증하는 Reflection Agent. SheetMind를 GPT-3.5-Turbo로 221개 작업으로 구성된 SheetCopilot 벤치마크에서 평가한다. SheetMind는 100%의 실행 성공률과 54.8%의 기능적 정확도를 달성했으며, 완벽한 실행 신뢰성을 유지하면서 SheetCopilot(44.3%)을 능가했다. 또한 별도로 큐레이션한 데이터셋에서 ablation study를 수행하여, 전체 3-에이전트 구성이 모든 부분 구성보다 일관되게 우수한 성능을 보임을 확인했다. 마지막으로, Workspace 확장을 통해 우리 시스템을 Google Sheets에 통합한다.

arXiv:2607.11503v1cs.CL

GEIS: 장문 기사 생성을 위한 에이전트 스킬의 생성-평가-개선 루프

GEIS: A Generation-Evaluation-Improvement Loop of Agent Skills for Long-Form Article Generation

장문 기사 생성은 긴 컨텍스트, 긴 인스트럭션, 긴 출력을 동시에 요구하기 때문에 대규모 언어 모델(LLM)에게 여전히 어려운 과제다. STORM과 같은 기존 멀티 에이전트 파이프라인은 역할 특화 에이전트를 시뮬레이션하여 정보 커버리지를 높이지만, 그 능력이 프롬프트와 고정된 절차에 얽혀 있어 검사, 재사용, 반복적 개선이 어렵다. 본 논문은 Wikipedia 스타일의 장문 기사 생성을 위한 이름 있는 선언적 스킬의 루프인 GEIS(Generation-Evaluation-Improvement loop of agent Skills)를 제안한다. Tasi Harness에서 구현 및 평가된 GEIS는 기사 작성, 브라우저 기반 근거 및 이미지 수집, 다이어그램 렌더링, PDF 인식 쌍별 평가, 규칙 수준 스킬 개선을 위한 스킬들을 조합한다. 핵심 작성 스킬은 요청(Request), 계획(Plan), 초안 작성(Draft), 감사(Audit), 정제(Refine), 전달(Deliver) 단계를 따르며, 쌍별 평가 스킬은 구조화된 품질 보고서를 생성하고, 개선 스킬은 20개 토픽 실험에서 반복적으로 발견된 사항을 작성 스킬에 대한 영구적 패치로 매핑한다. 우리는 GEIS를 20개의 Wikipedia 추천 기사 토픽으로 평가한다. 동일한 생성 백엔드 하에서 GEIS는 100점 만점의 PDF 품질 루브릭에서 Tasi Harness 기본 작성기 대비 8.0점 향상을 달성하며, 비교 가능한 두 가지 작성 차원인 구조적 품질과 콘텐츠 품질에서 STORM을 능가한다. 20개 토픽 개선 실험에서 패치된 작성 스킬은 평균 점수를 82.90에서 86.95로 높였으며, 20개 토픽 중 17개가 향상되었고 그 향상은 주로 콘텐츠 품질에서 비롯되었다. 이러한 결과는 장문 생성이 고정된 워크플로우에서 검사 가능하고 모듈화된 평가 기반 개선 루프로 재구성될 수 있음을 보여준다.

arXiv:2607.11276v1cs.CL

다중 에이전트 LLM 시스템을 활용한 자동화된 교과서 감사

Automated Textbook Auditing with Multi-Agent LLM Systems

교육 자료의 품질을 보장하려면 표준적인 교정 이상의 작업이 필요합니다. 교과서는 사실적 정확성, 도메인별 기술적 정확성, 언어적 품질을 동시에 감사해야 하며, 이는 범용 문법 검사기로는 해결할 수 없는 과제입니다. 본 논문에서는 교과 영역에 걸쳐 교육 자료의 자동화된 품질 보증을 위한 모듈식 다중 에이전트 파이프라인인 AI Textbook Auditor를 제안합니다. 이 시스템은 교과서 PDF를 입력받아 두 가지 분석 트랙을 통해 구조화된 인간 검토 가능 보고서를 생성합니다. 첫 번째는 사실 및 기술 트랙(Factual and Technical Track)으로, 특화된 LLM 에이전트 앙상블이 사실 오류, 코드 오류, 잘못된 정의, 개념적 불일치를 탐지하며 인문학 도메인에는 웹 검색이 보강됩니다. 두 번째는 발음 부호 인코딩을 보존하기 위해 PDF 네이티브 방식으로 작동하는 문법 트랙(Grammar Track)입니다. 판정 에이전트(Judge Agent)는 도메인별 규칙을 사용하여 거짓 양성을 필터링한 후 결과를 인간 검토자에게 제시합니다. 파이프라인은 비전 네이티브 페이지 렌더링과 PyMuPDF 텍스트 추출의 두 가지 수집 모드를 지원하며, 주제별 오류 분류 체계를 인코딩한 커스텀 프롬프트를 통해 도메인 적응이 가능합니다. 본 시스템을 루마니아 고등학교 교과서 두 권에 적용하여 시연합니다. CS 교과서에서는 7개 범주에 걸쳐 56건의 기술적 소견이 도출되었으며 전문가 검증 정밀도는 62.5%였고, 역사 및 사회과학 교과서에서는 사실 오류, 이념적 바이어스, 문법을 아우르는 72건의 소견이 도출되었습니다. 이 시스템은 후보 문제를 찾는 수작업 부담을 줄이기 위한 트리아지(triage) 도구로 설계되었으며, 편집 조치 전에 반드시 인간 전문가의 검증이 필요합니다.

arXiv:2607.09678v1cs.AI

Faithful, Not Corrective: Message-Format Effects in Multi-Hop Agent Relays Are Tier-Dependent

When LLM agents hand off information to one another, does the message format matter? Two literatures disagree: format-optimization work reports that structured messages cut cost without hurting accuracy, while format-restriction work finds that imposing structure degrades generation -- and neither measures what happens when a message traverses multiple hops, where copy fidelity, not one-shot generation, dominates. We introduce a controlled relay testbed: briefs of twelve programmatically generated atomic facts are re-encoded hop-by-hop in five formats (free NL, precision-instructed NL, JSON, triples, key-value) over six hops, scored by a fixed strong grader against programmatic ground truth, across two relay-capability tiers, a cognitive-load condition, and a paired-fork error injection. We find that message-format effects are tier-dependent. (i) Under faithful-relay instructions a strong relay is nearly lossless -- the documented "telephone-game" collapse does not occur -- and adding per-hop cognitive load leaves format-level fidelity unchanged (within +/-1.8 points) while raising generation cost by 24-53%. (ii) Under a weak (1.5B) relay the across-format spread of six-hop recall grows by a factor of 8.7 (from 2.3 to 20.5 points), driven by two opposing mechanisms -- an encoding toll paid by the rigid formats and drift resistance specific to the fixed-key JSON schema -- that flip the format ranking in transit. (iii) In a paired-fork injection, an injected wrong value, once present, persists to the final hop in 83-100% of chains in every format, closely matching each format's retention of the true value, with no detectable collateral damage to neighboring facts. Structure buys a faithful, error-localizing channel -- not an error-correcting code -- and format choice should follow the weakest relay in the pipeline.

arXiv:2607.09653v1cs.CR

VEXAIoT: AI 에이전트를 이용한 자율 IoT 취약점 활용

VEXAIoT: Autonomous IoT Vulnerability EXploitation using AI Agents

사물 인터넷(IoT) 시스템은 제한된 하드웨어, 구식 펌웨어, 안전하지 않은 기본 설정으로 인해 본질적으로 취약하며, 이는 확장 가능하고 적응적인 보안 테스트 접근 방식의 필요성을 야기한다. 최근 대규모 언어 모델(LLM) 에이전트가 침투 테스트 및 Capture-the-Flag(CTF) 환경에서 가능성을 보여주고 있으나, IoT 특정 취약점에 대한 적용은 아직 탐구되지 않은 상태이다. 본 논문은 LLM 기반 추론 및 공격적 보안 도구를 활용하여 IoT 환경에서의 취약점 발견 및 활용을 위한 자율 다중 에이전트 프레임워크인 VEXAIoT(Vulnerability EXploitation using AI Agents)를 제시한다. 이 프레임워크는 취약점 탐지 에이전트와 공격 실행 에이전트를 결합하여 취약한 IoT 서비스에 대한 정찰 수행, 공격 시퀀스 계획 및 익스플로잇 실행을 수행한다. 본 시스템은 OWASP IoT 취약점에 매핑된 10개의 공격 시나리오에 걸쳐 IoTGoat 및 Metasploitable 환경에서 평가된다. 실험 결과, 대부분의 공격에서 낮은 토큰 오버헤드와 평균 2분 미만의 실행 시간으로 최대 100%의 공격 성공률을 보였다. 260회의 공격 실행에 걸쳐 VEXAIoT는 IoTGoat에서 94.5%, Metasploitable2에서 96.7%의 성공률을 포함하여 전체 95.0%의 성공률을 달성하였다. 이러한 결과는 통제된 환경에서 IoT 취약점 평가 및 공격적 보안 워크플로를 자동화하는 LLM 기반 에이전트의 가능성을 입증한다.

arXiv:2607.09403v1cs.AI

허구적 세계관 구축: 계층적 컨텍스트 압축과 반복적 검토를 통한 멀티 에이전트 LLM 협업

Fictional Worldbuilding: Multi-Agent LLM Collaboration with Hierarchical Context Compression and Iterative Review

세계관 구축(Worldbuilding), 즉 일관된 허구 세계를 창조하는 작업은 게임 디자인과 문학 창작의 기반이 되는 과제입니다. 대규모 언어 모델(LLM)은 자동화된 콘텐츠 생성에 새로운 가능성을 제시하지만, 세계관 구축에의 적용은 세 가지 난제에 직면합니다: 구축 과정에 따라 선형적으로 증가하는 컨텍스트 폭발, 창의적 다양성과 콘텐츠 일관성 간의 긴장, 그리고 자동화된 품질 보증의 부재입니다. 본 논문은 이러한 과제들을 다섯 가지 통합 구성 요소를 통해 해결하는 멀티 에이전트 협업 시스템 AutoWorldBuilder를 제안합니다: 충돌 감지 기능을 갖춘 구조화된 개념 네트워크; 의미적 지역성에 따라 작업을 그룹화하는 방향성 비순환 그래프(DAG) 기반 하이브리드 배치 스케줄러; 약 90%의 토큰 감소를 달성하는 4층 컨텍스트 압축 메커니즘; 제안 승인률을 42%에서 85% 이상으로 향상시키는 전문화된 감사(Auditor) 에이전트 기반 반복적 검토 시스템; 그리고 차별화된 온도 설정을 지원하며 코드 없는 확장이 가능한 기술 기반 에이전트 아키텍처. LLM 백엔드로 GPT-OSS 120B와 DeepSeek v3.2를 사용하여 20개의 다양한 세계관 구축 과제에 걸쳐 수행된 두 가지 실험에서 95.0%의 성공률을 달성했습니다. 시스템은 18~31분 이내에 세계당 56~103개의 자기 일관적 개념을 충돌 없이 생성했습니다. 층별 예산 압축(layer-as-budget compression), 의미적 지역성 스케줄링(semantic-locality scheduling), 생성과 검토의 분리를 포함하여 본 연구에서 검증된 아키텍처 패턴들은 지식 집약적인 멀티 에이전트 LLM 응용 프로그램의 더 넓은 범주에 적용될 수 있습니다.

arXiv:2607.07857v1quant-ph

텐서 네트워크 이론의 다중 에이전트 자동형식화

Multi-agent Autoformalization of Tensor Network Theory

전문화된 대규모 언어 모델(LLM) 에이전트 팀이 구조화된 수학적 청사진과 주기적 인간 검토를 통해 행렬곱 상태(matrix-product states)의 기본 정리를 Lean 4 증명 보조기로 자율적으로 형식화하는 에이전트 기반 워크플로를 제시한다. 이 과정에서 Mathlib에 없던 텐서 네트워크 및 양자 정보 라이브러리를 새롭게 구축하였으며, 일부 명제에서는 표준 문헌에 없는 새로운 증명 경로를 탐색하고, 대규모 자동형식화의 주요 병목이 수학적 의도의 일관된 관철임을 밝혔다.

arXiv:2607.08705v1cs.CV

HumanForge: 멀티 에이전트 위조 근거를 갖춘 인간 중심 딥페이크 영상 벤치마크

HumanForge: A Human-Centric Deepfake Video Benchmark with Multi-Agent Forgery Rationales

인간 중심 딥페이크(deepfake) 영상 탐지 연구의 한계를 극복하기 위해, 오디오 기반·포즈 기반·상호작용·의미 기반 등 네 가지 시나리오를 포괄하는 대규모 영상 위조 벤치마크 HumanForge(18,000개 이상의 합성 영상 세그먼트)를 제안한다. 데이터셋 구축 및 주석 자동화를 위해 LangGraph 기반의 멀티 에이전트 파이프라인 Gen2Anno를 설계하여, 생성 출처와 시각적 분석을 대조하는 방식으로 이진 판정·세밀한 아티팩트 범주·시공간적 위치 정보를 포함한 omni-annotation을 생성하고, 최신 탐지기 및 대규모 멀티모달 모델(LMM) 벤치마크를 통해 제로샷 일반화의 높은 난이도를 입증하였다.

arXiv:2607.06452v1cs.CL

투표에서 에이전트 협업으로: BioASQ 14b를 위한 답변 유형 인식 LLM 파이프라인

From Voting to Agent Collaboration: Answer-Type-Aware LLM Pipelines for BioASQ 14b

BioASQ 14b Task B를 위해 질문 유형(yes/no, 사실형, 목록형)별로 서로 다른 추론 전략을 적용하는 LLM 프레임워크를 제안한다. yes/no 질문에는 스니펫 셔플링과 자기 반성(self-reflection), 사실형 질문에는 사고의 연쇄(CoT) 기반 문맥 내 학습(ICL), 목록형 질문에는 다중 에이전트 협업 아키텍처를 각각 적용하여 공식 평가 Batch 4 사실형 서브태스크에서 1위를 달성하였다.

arXiv:2607.05428v1cs.DL

CHARLIE: 법과학 증거 추론을 위한 온프레미스 다중 에이전트 검색-증강 생성 시스템

CHARLIE: An On-Premise Multi-Agent Retrieval-Augmented Generation System for Evidential Reasoning in Forensic Science

Charlie는 디지털 포렌식 환경에서 데이터 주권과 증거 무결성을 보장하기 위해 기관 인프라 내에서만 동작하는 온프레미스 다중 에이전트 검색-증강 생성(RAG) 시스템으로, 로컬 검색·작업 분해·구조화된 메모리·검증 메커니즘을 결합한 에이전트 오케스트레이션 아키텍처를 통해 대용량 비정형 포렌식 문서의 확장 가능한 증거 처리를 지원한다. 교통사고 인텔리전스 및 femicide 패턴 분석 사례 연구에서 법적·기관적 제약을 준수하면서 추적 가능한 다중 문서 추출과 종단적 포렌식 인텔리전스 생성이 가능함을 실증하였다.

arXiv:2607.03853v1cs.CV

CogRad: 방사선 보고서 생성을 위한 인지 기반 멀티 에이전트 프레임워크

CogRad: A Cognitively-Inspired Multi-Agent Framework for Radiology Report Generation

자동 방사선 보고서 생성(RRG)은 방사선과 의사의 업무 부담을 줄일 수 있으나, 기존 시스템 대부분은 단일 순전파로 보고서를 생성하며 이미지에 대해 주장을 검증하거나 이미 서술된 소견을 재검토하는 메커니즘이 없다. 우리는 방사선과 의사의 판독 과정 4단계를 중심으로 생성을 구조화하는 인지 기반 멀티 에이전트 프레임워크 CogRad를 제안한다. Scout 에이전트는 슬롯 어텐션(slot attention)을 통해 이미지 패치에서 직접 해부학적 영역을 발견하고 영역 및 질환 수준 트리아지 점수를 부여한다. Investigator 에이전트는 Scout가 의심스럽다고 표시한 영역에 표현 용량을 집중시킨다. Writer 에이전트는 이러한 신호를 대규모 언어 모델(LLM)을 위한 질환 게이팅 시각적 접두 문맥으로 컴파일한다. Verifier 에이전트는 시각적 함의 손실로 학습을 감독하며, 추론 시에는 자신의 초안을 문장별로 재검토하여 그라운딩이 불충분하다고 판단한 보고서를 재생성한다. CheXpert Plus에서 CogRad는 BLEU-4 0.316, CIDEr 0.322를 달성하여 비교 대상 방법들 중 최고 점수를 기록한다. IU X-Ray에서는 BLEU-4 0.201, CIDEr 0.724를 달성하여 모든 표준 자연어 생성(NLG) 지표에서 모든 기준선을 앞선다. 또한 표준 텍스트 중복 지표를 넘어 임상적 정확도를 평가하기 위해 RadGraph F1, CheXbert F1, 환각(hallucination) 분석으로 CogRad를 추가 평가하며, 각 에이전트의 기여와 모델의 시각적 그라운딩을 특성화하는 절제 연구(ablation study) 및 Grad-CAM 기반 시각화로 이를 보완한다.

arXiv:2607.05346v1cs.AI

OptiAgent: 멀티 에이전트 반복 정제를 통한 엔드-투-엔드 최적화 모델링

OptiAgent: End-to-End Optimization Modeling via Multi-Agent Iterative Refinement

우리는 OptiAgent를 제안한다. OptiAgent는 운영 연구(Operations Research) 문제의 자연어 설명을 입력받아 솔버 준비가 완료된 수학적 정식화와 실행 가능한 코드를 출력하는 멀티 에이전트 프레임워크이다. 본 아키텍처는 수학적 모델링 단계를 우선시하며, 전담 에이전트들이 결정 변수 및 제약 조건과 같은 구조를 추출하여 반복적 자기 수정을 가능하게 한다. 우리는 네 가지 특화된 피드백 메커니즘을 갖춘 새로운 멀티 루프 검증 아키텍처를 도입하며, 각 메커니즘은 오해석, 구조적 결함, 수학적 불일치, 검증 실패, 코드 오류 등 서로 다른 실패 유형을 대상으로 한다. 정확도와 함께, 모듈식 설계는 각 에이전트가 자신의 추론과 피드백을 노출하여 전체 모델링 과정을 감사 가능하게 함으로써 투명성을 향상시키고 최적화 문제 해결 과정을 개선한다. 본 프레임워크는 LP, MILP, 비선형 프로그래밍 태스크에 걸친 4개 벤치마크 중 3개에서 최첨단 성능을 달성하며, 나머지 데이터셋에서도 높은 경쟁력을 유지한다.

arXiv:2607.01883v1cs.CL

PairCoder++: Pair Programming as a Universal Paradigm for Verified Code-Driven Multimodal and Structured-Artifact Generation

Driver(코드 작성)와 Navigator(검증 증거 기반 리뷰) 두 에이전트가 페어 프로그래밍 방식으로 협업하는 PairCoder 프레임워크를 제안하며, 오류 지속 시 역할 전환 메커니즘을 통해 컴파일러·렌더러 등 툴체인 결과를 리뷰에 직접 반영한다. 17개 공개 벤치마크와 3개 벤더의 7개 모델에서 검증 가능한 아티팩트 생성 태스크 전반에 걸쳐 성능이 향상되었으며(예: Blender 씬 실행 가능성 0.20→0.78, TikZ 컴파일률 10~30%p 상승), 단일 모델 대비 약 2.9~9.2배의 토큰 비용으로 달성되었다.

arXiv:2607.01061v1cs.AI

Agentic generation of verifiable rules for deterministic, self-expanding reaction classification

Computer-assisted synthesis planning breaks target molecules into accessible precursors using large libraries of reaction rules that assign each transformation a deterministic, interpretable label. But chemistry is long-tailed, making manual encoding intractable, and existing tools rely on fixed rulesets that cannot adapt to new chemistries. Here we present a fully automated pipeline in which a multi-agent framework of large language models (LLMs) classifies reactions and writes the rules themselves across 665,901 US patent reactions, generating each rule under a verification loop that tests it against the corpus. It expands a standard taxonomy from 68 to 14,073 classes without human curation. With a lightweight fingerprint classifier, it classifies 97.7\% of unseen reactions, matching a leading proprietary classifier while resolving chemistry more finely and extending on demand to chemistry outside its training distribution. The result is a living reactivity database and a general route to turning generative models into reliable, self-expanding symbolic systems.

arXiv:2607.00454v1cs.AI

Agri-SAGE: Simulation-Grounded Multi-Agent LLM for Context-Aware Agricultural Advisory Generation

Agricultural advisory systems face a fundamental tension: static agronomic guidelines offer consistent, evidence-based recommendations, yet remain blind to in-season variability and dynamic uncertainties. Recent advisory systems powered by LLMs are liable for a different risk of generating recommendations that are agronomically credible but physiologically unconvincing. Agri-SAGE is a closed-loop framework designed to resolve the above two limitations by integrating retrieval-grounded multi-agent LLM reasoning with APSIM-based biophysical simulation, to generate and validate agronomic advisories. To assess this framework, we evaluate three reasoning approaches, namely Plan-and-Solve, Tree of Thoughts, and Reflexion, over a 10-year retrospective analysis. All three significantly outperform static PoP (Package-of-Practice) baselines, with Tree of Thoughts achieving impressive peak yields. At the same time, Reflexion achieves comparable agronomic outcomes at substantially lower computational cost by leveraging cross-seasonal episodic memory.

arXiv:2511.04500v3cs.AI

Large language models replicate and predict human cooperation across experiments in game theory

Large language models (LLMs) are increasingly deployed as decision-making agents in high-stakes domains and as imitators of human behavior in the social and behavioral sciences. Yet how closely LLMs mirror human decision-making remains poorly understood. This gap is critical: misalignment could produce harmful outcomes in practice, while failure to replicate human behavior renders LLMs ineffective as social simulators. Here, we address this gap by replicating large-scale game-theoretic experiments and by introducing a systematic prompting and probing framework for machine-behavioral evaluation. We test three open models typically used to power agents (Llama, Mistral, and Qwen). Across 121 dyadic games spanning four classical game types, Llama reproduces human cooperation patterns with high fidelity, while Qwen aligns closely with Nash equilibrium predictions. Characterizing models through behavioral phenotyping, we find that humans and Llama share an envious decision profile, while Qwen and Mistral exhibit different profiles. An attention-based analysis of payoff salience reveals Llama processes payoff information in a structured, layer-dependent manner absent in Qwen and Mistral, suggesting a mechanistic basis for its closer alignment with human behavior. Population-level behavioral replication is achieved without persona-based prompting, simplifying the simulation process. Extending the experimental parameter space beyond the original human-tested games, we generate and preregister testable hypotheses for novel game configurations. Our findings demonstrate appropriately configured LLMs can replicate aggregate human behavioral patterns, exhibit human-like decision phenotypes, and enable systematic exploration of unexplored experimental spaces, offering a complementary approach to traditional behavioral research that generates new empirical predictions about human social decision-making.

arXiv:2606.31039v1cs.CL

진실인가 궤변인가? LoFa: 논리적 오류에 대한 LLM 강건성 벤치마크

Truth or Sophistry? LoFa: A Benchmark for LLM Robustness Against Logical Fallacies

대규모 언어 모델(LLM)이 논리적 오류(logical fallacy)를 포함한 설득적 공격에 얼마나 취약한지를 체계적으로 평가하기 위해, 멀티 에이전트 파이프라인으로 구축된 종합 벤치마크 LoFa와 다중 라운드 토론 프레임워크를 소개한다. 검증 가능한 사실 기반 질문에 오류 논거를 쌍으로 구성하고 LFR@k 지표를 제안하여 실험한 결과, LLM은 특히 Distraction/Distortion 유형의 오류에 높은 취약성을 보임이 드러났다.

arXiv:2606.31085v1cs.AI

DDIAgents: Mechanism-Conditioned Context Flow for Drug-Drug Interaction Prediction

Drug-drug interaction (DDI) prediction is essential for medication safety, yet it requires reasoning over heterogeneous biomedical evidence whose relevance changes across interaction mechanisms. We propose DDIAgents, a mechanism-conditioned multi-agent framework that performs DDI prediction through dynamic knowledge orchestration. Given a drug pair, a planner agent instantiates specialized expert agents, routes mechanism-relevant knowledge sources to each agent, and aggregates their analyses through a conclusion agent. By adapting context flow to the inferred interaction mechanism, DDIAgents reduces irrelevant information, supports complementary expert reasoning, and produces interpretable agent-level rationales. Extensive experiments on realistic DDI prediction benchmarks show that DDIAgents consistently outperforms existing feature-based, graph-based, LLM-based, and agent-based baselines. Beyond prediction performance, DDIAgents demonstrates how multi-agent systems can organize heterogeneous scientific knowledge for adaptive and interpretable AI4Science reasoning.

arXiv:2606.29648v1cs.CL

멀티모달 문서 추론 에이전트를 위한 하이브리드 검색기 진화

Hybrid Retriever Evolution for Multimodal Document Reasoning Agents

어휘 기반, 의미 기반, 멀티모달 접근 방식을 포함한 다양한 검색기는 멀티모달 문서 이해에 있어 상호 보완적인 강점을 제공하지만, 대부분의 시스템은 개별 추론 단계의 요구에 적응할 수 없는 고정된 파이프라인을 통해 이들을 결합한다. 본 연구에서는 검색 오케스트레이션 자체를 추론 과정의 일부로 학습할 수 있는지를 묻는다. 우리는 메타 에이전트가 다단계 문서 질의응답 과정에서 도구를 사용하는 태스크 에이전트가 다양한 검색기를 어떻게 조율해야 하는지를 자율적으로 탐색하는 실패 기반 진화 프레임워크를 제안한다. 메타 에이전트는 잘못된 추론 궤적을 분석하고, 동일한 도구 환경을 능동적으로 탐색하여 근본 원인을 진단하며, 태스크 에이전트의 지침을 반복적으로 재작성함으로써 검색을 고정된 전처리 단계에서 적응적이고 단계적인 추론 결정으로 전환한다. 진화된 에이전트는 각 검색기를 언제 호출할지, 이들을 어떻게 결합할지, 그리고 여러 모달리티와 페이지에 걸쳐 증거를 어떻게 구성할지를 학습한다. MMLongBench-Doc과 DocBench에서 진화된 에이전트는 진화되지 않은 기준선 대비 최대 +19.6포인트의 성능 향상을 달성하며, MACT, MDocAgent, SimpleDoc을 포함한 최신 시스템들을 일관되게 능가한다. 상세한 검색 분석을 통해 이러한 개선이 고정된 검색 방식에 대한 의존이 아닌 적응적 라우팅과 증거 구성에서 비롯됨을 확인하였으며, 진화 역학은 좁은 어휘 기반 동작에서 풍부한 다중 도구 조율로의 점진적 전환을 보여준다. 이러한 결과는 자율적 다중 에이전트 조율이 멀티모달 문서 추론을 위한 유망한 패러다임임을 확립한다.