PyTorchKR Papers

최신 논문

총 197편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.19356v1cs.CL

신뢰할 수 있는 멀티 에이전트 시스템: 아르젠트 시그널링 프로토콜을 통한 의미 변이 완화

Trustworthy Multi-Agent Systems: Mitigating Semantic Drift with the Argent Signaling Protocol

멀티 에이전트 대규모 언어 모델(LLM) 시스템이 잘못된 답변을 생성할 때, 모든 실패가 동일한 것은 아닙니다. 일부 답변은 올바른 자료에 그라운딩(grounding)되어 있으나 불완전한 반면, 다른 답변은 단순히 그라운딩되지 않았으므로 중단되어야 합니다. 현재의 재시도(retry) 전략은 두 경우를 동일하게 취급(다시 시도하고 최선을 바라는 방식)하여, 인간 감독관이 재시도가 타당한지 아니면 시스템이 중단되었어야 하는지 판별하지 못하게 만듭니다. 본 연구에서는 아르젠트 시그널링 프로토콜(Argent Signaling Protocol, ASP)을 소개합니다. ASP는 모든 AI 생성 응답에 확실성(@C), 그라운딩(@G), 확률성(@S), 그리고 각 주장의 증거적 근거를 분류하는 가정 인덱스와 같은 구조화된 품질 신호를 포함하는 컴팩트한 기계 판독 가능 헤더입니다. 이러한 신호를 통해 컨트롤러는 복구 가능한 실패와 격리가 필요한 실패를 구별하여 각각을 다르게 처리할 수 있습니다. 우리는 두 가지 모드에서 ASP를 평가했습니다. 독립형 모드에서는 Array BioPharma/Ono 라이선스 계약에 대한 27개 질문의 문서 기반 QA 벤치마크를 통해 세 가지 로컬 GGUF 모델에서 기준선(baseline) 프롬프트와 ASP 기반 컨트롤러 동작을 비교했습니다. Qwen~(0.8B)에서 ASP는 통과율을 11.1%에서 33.3%로, 평균 용어 커버리지를 36.7%에서 65.4%로 향상시켰습니다. Dobby~(8B)에서는 4건의 실패 사례를 통과로 복구하여 통과율을 33.3%에서 44.4%로 높였습니다. SmolLM3~(3B)에서는 질문별로 복구와 격리를 번갈아 수행했습니다. 전체적으로 의미 있는 개선 효과가 있었습니다(12/81에서 21/81로 통과율 증가). 멀티 에이전트 모드에서는 ASP 사이드카가 검색 에이전트와 하류 결정 에이전트 사이에 배치됩니다. 이 사이드카는 하류 에이전트로 전달되는 그라운딩되지 않은 상위 출력을 100% 차단했습니다(27개 중 24개 차단, 그라운딩되지 않은 전파 0건).

arXiv:2604.23938v3cs.CL

TSAssistant: 자동화된 표적 안전성 평가를 위한 인간 개입형 에이전트 기반 프레임워크

TSAssistant: A Human-in-the-Loop Agentic Framework for Automated Target Safety Assessment

표적 안전성 평가(TSA)는 치료 표적의 잠재적 안전성 리스크를 평가하기 위해 유전학적, 전사체적, 표적 상동성, 약리학적, 임상 데이터를 체계적으로 통합해야 합니다. 이 과정은 노동 집약적이며 전문가에게 의존적이어서 확장성과 재현성에 있어 도전 과제를 제기합니다. 우리는 TSA 보고서 생성을 전문화된 서브 에이전트의 워크플로우로 분해하는 인간 개입형 멀티 에이전트 프레임워크인 TSAssistant를 제시합니다: 각각 단일 TSA 도메인을 그라운딩하고 인용하는 연구(Research) 서브 에이전트와 도메인 간 발견 사항을 통합하는 종합(Synthesis) 서브 에이전트입니다. 서브 에이전트는 표준화된 툴 인터페이스를 통해 큐레이션된 생의학 소스에서 증거를 검색하고 종합하여 개별적으로 인용 가능하고 증거에 기반한(grounded) 섹션을 생성하며, 그 동작은 조정 논리를 도메인 전문성 및 사용자 의도와 분리하는 계층적 인스트럭션 아키텍처에 의해 형성됩니다. 이러한 소프트 제약 조건을 보완하기 위해, 프로그래매틱 실행 훅과 지속성 메모리 저장소가 워크플로우 전반에 걸쳐 하드 제약 조건을 강제하는 한편, 대화형 정제(refinement) 루프를 통해 전문가가 반복(iteration) 간에 전체 대화 컨텍스트가 보존된 상태로 개별 섹션을 검토하고 수정할 수 있도록 합니다. 단일 전체적 비교 대신, 우리는 보고서 품질을 재현성, 증거 기반 그라운딩, 작업 수준 정확도, 전문가 감독 하 제어 가능성으로 분해했으며, 높은 재현성과 그라운딩, 인간 기준과의 실질적인 일치, 그리고 순 긍정적인 전문가 주도 정제 결과를 확인했습니다.

arXiv:2510.27568v2cs.AI

SIGMA: 에이전트 기반 수학적 추론을 위한 검색 증강 온디맨드 지식 통합

SIGMA: Search-Augmented On-Demand Knowledge Integration for Agentic Mathematical Reasoning

수학적 추론 문제를 해결하려면 관련 지식에 대한 정확한 접근뿐만 아니라 신중한 다단계 사고가 필요합니다. 그러나 현재의 검색 증강(retrieval-augmented) 모델은 종종 단일 관점에 의존하고, 융통성 없는 검색 전략을 따르며, 여러 소스의 정보를 효과적으로 결합하는 데 어려움을 겪습니다. 본 논문에서는 SIGMA(에이전트 기반 수학적 추론을 위한 검색 증강 온디맨드 지식 통합)를 소개합니다. 이는 전문화된 에이전트들이 독립적으로 추론하고, 타겟팅된 검색을 수행하며, 중재자(moderator) 메커니즘을 통해 결과를 종합하도록 조율하는 통합 프레임워크입니다. 각 에이전트는 자신의 분석적 관점에 대해 검색을 최적화하기 위해 가상의 문단(hypothetical passages)을 생성하여, 지식 통합이 문맥에 민감하면서도 계산 효율적이도록 보장합니다. MATH500, AIME, 박사급 과학 QA 벤치마크인 GPQA와 같은 까다로운 벤치마크에서 평가했을 때, SIGMA는 오픈 소스 및 폐쇄형 소스 시스템 모두를 일관되게 능가하며 7.4%의 절대적인 성능 향상을 달성했습니다. 우리의 결과는 다중 에이전트 온디맨드 지식 통합이 추론 정확도와 효율성을 모두 크게 향상시킴을 보여주며, 복잡하고 지식 집약적인 문제 해결을 위한 확장 가능한 접근 방식을 제공합니다. 우리는 게제 시 코드를 공개할 예정입니다.

arXiv:2606.20058v1cs.AI

대규모 엔터프라이즈 AI를 위한 자율 이벤트 기반 멀티 에이전트 오케스트레이션

Autonomous Event-Driven Multi-Agent Orchestration for Enterprise AI at Scale

엔터프라이즈 AI는 전문 에이전트 간의 지속적인 이벤트 모니터링, 감지 및 조치를 지향하지만, 기존 멀티 에이전트 시스템은 대부분 이산적인 요청-응답 워크플로우를 가정하며 엔터프라이즈 규모에서는 여전히 탐색이 부족합니다. 우리는 페르소나(<10개 에이전트), 부서(20-80개), 엔터프라이즈(200개) 규모에 걸친 프로덕션 환경에서 파생된 208개의 엔터프라이즈 시나리오에서 DAG Plan and Execute와 ReAct를 평가하고, 우선순위 추론, 관련 이벤트 병합, 선점(preemption)을 통해 지속적인 운영을 가능하게 하는 태스크 매니저(Task Manager)를 도입합니다. 결과에 따르면 작업 복잡도가 아닌 규모가 오케스트레이션 성능을 지배합니다. 두 아키텍처 모두 소규모에서는 우수한 성능을 보이지만, 에이전트 발견 노이즈가 주요 병목 현상이 되는 엔터프라이즈 규모에서는 성능이 저하되며, 이때 복잡한 작업보다 단순한 작업의 성능 저하가 더 두드러집니다. DAG Plan and Execute는 소규모에서 더 높은 정밀도와 구조화된 병렬화를 제공하지만, 더 높은 오버헤드로 인해 엔터프라이즈 규모에서는 성능이 악화됩니다. 반면 ReAct는 실패를 점진적으로 처리함으로써 더 강건한 성능을 보입니다. 태스크 매니저는 엔터프라이즈 규모에서 고우선순위 큐 대기 시간을 14-75% 감소시키고, 관련 이벤트 정확도를 20%p 이상 향상시킵니다.

arXiv:2606.19683v1cs.AI

분산형 연합 형성을 위한 탈퇴 및 참여 역학

Exit-and-Join Dynamics for Decentralized Coalition Formation

본 논문은 일방적인 탈퇴 및 참여 결정에 의해 주도되는 분산형 동적 과정으로서의 연합 형성을 연구한다. 에이전트는 Aumann-Dreze 값을 사용하여 국지적 이동을 평가하므로, 페이오프는 전역적으로 협상된 연합 구조가 아닌 에이전트의 현재 연합 내에서 계산된다. 결과적인 모델은 협력적 페이오프 할당과 비협력적 최적 반응 행동을 연결한다. 즉, 종료 분할은 허용 가능하며 개별적으로 이익이 되는 탈퇴 및 참여 편차가 없는 연합 구조와 정확히 일치한다. 우리는 균형 특성화를 확립하고, 역학이 스칼라 리아푸노프 또는 정확한 퍼텐셜 표현을 갖는 조건을 식별하며, 전환 및 수락 비용이 국소 안정성에 어떤 영향을 미치는지 분석한다. 수치 실험을 통해 유한 시간 안정화, 비용 민감도, 그리고 특별한 볼록 게임 벤치마크를 검증한다.

arXiv:2606.19382v1cs.SE

DynAMO: 위상적 다중 에이전트 스케줄링을 통한 동적 자산 관리 오케스트레이션

DynAMO:Dynamic Asset Management Orchestration via Topological Multi-Agent Scheduling

LLM 기반 에이전트는 산업 자산 수명 주기에 대한 엔드-투-엔드 자동화를 제공하지만, 실제 Industry 4.0 배포는 지연 시간, 동시성 불안정성 및 안전성 위험으로 인해 제약을 받습니다. 우리는 검증 가능한 워크플로우 그래프를 생성하기 위해 계획 후 실행(Plan-then-Execute) 아키텍처를 사용하는 배포 준비가 된 엔진인 DynAMO(Dynamic Asset Management Orchestration)를 제시합니다. DynAMO는 SequentialWorkflow(위상적 실행)와 ParallelWorkflow(의존성 인식 동시성)를 모두 지원합니다. 독립적인 작업을 동적으로 식별함으로써, DynAMO는 구조적 정확성과 안전성을 유지하면서 통제된 추론 중첩을 통해 효율성을 크게 개선합니다. AssetOpsBench 산업 벤치마크에 대한 6가지 통제된 실험에서, DynAMO는 상당한 성능 및 견고성 이득을 보여줍니다. 병렬 실행은 순차적 오케스트레이션 대비 엔드-투-엔드 지연 시간을 중앙값 1.6배 감소시키며, 고도로 병렬화 가능한 워크플로우에서는 1.8배까지 높아집니다. 현실적인 지연 시간으로 외부 도구 호출을 계측한 결과, 지연 시간 분해에서 LLM 추론 및 오케스트레이션이 여전히 실행 시간의 90% 이상을 차지하여 모델 추론이 주요 시스템 병목 현상임을 식별했습니다. 구조화된 컨텍스트 가지치기는 추론 지연 시간을 약 30% 감소시키며, DynAMO는 통제된 결함 주입 하에서 우아한 성능 저하를 보이면서 올바른 기능적 동작(작업 완료, 에이전트 시퀀싱 및 출력 품질)을 유지합니다. 재현성 분석은 반복 실행 시 안정적인 실행을 추가로 확인해주며, 병렬 스케줄링은 지연 시간 분산을 줄여줍니다. 이러한 발견은 DynAMO를 Industry 4.0 자동화 파이프라인에서 확장 가능하고 안전하며 지연 시간 인식 에이전트 배포를 위한 실용적인 청사진으로 확립합니다. 코드는 다음에서 확인할 수 있습니다: https://github.com/kushwaha001/DynAMO

arXiv:2606.18837v1cs.MA

Skill-MAS: 자동 멀티 에이전트 시스템을 위한 진화하는 메타 스킬

Skill-MAS: Evolving Meta-Skill for Automatic Multi-Agent Systems

대규모 언어 모델(LLM) 기반 자동 멀티 에이전트 시스템(MAS) 생성은 복잡한 작업을 해결하는 중요한 분야가 되었습니다. 그러나 기존 방법들은 모델 능력과 경험 보존 사이의 딜레마에 직면해 있습니다. 추론 시간(Inference-time) MAS는 동결된 최신 LLM을 활용하지만 과거 경험으로부터 학습하지 않고 동일한 탐색을 반복합니다. 반대로, 학습 시간(Training-time) MAS는 그래디언트 업데이트를 통해 경험을 내재화하지만 더 작은 모델의 낮은 능력 한계에 제약을 받으며, 대규모 최신 LLM로 확장하기 어렵습니다. 이러한 격차를 해소하기 위해, 우리는 높은 수준의 오케스트레이션 능력을 진화 가능한 메타 스킬(Meta-Skill)로 개념화하여 경험 보존을 파라미터 업데이트로부터 분리하는 새로운 제3의 경로인 Skill-MAS를 제안합니다. Skill-MAS는 폐루프 최적화 루프를 통해 이 아키텍처 지식을 정제합니다: (1) 멀티 트래젝터리 롤아웃(Multi-Trajectory Rollout)은 현재 메타 스킬 하에서 각 작업에 대한 행동 분포를 샘플링합니다; (2) 선택적 반성(Selective Reflection)은 우선 순위 작업을 적응적으로 선택하고 계층적 대비 분석을 적용하여 체계적 경험을 일반화 가능한 전략 수준의 원칙으로 증류합니다. 4개의 복잡한 벤치마크와 4개의 서로 다른 LLM에 걸친 광범위한 실험을 통해 Skill-MAS가 상당한 성능 향상을 달성할 뿐만 아니라 우수한 비용 대비 성능 트레이드오프(cost-performance trade-off)를 유지함을 입증했습니다. 추가 분석 결과, 진화된 메타 스킬들은 매우 견고하며 보지 못한 작업과 다른 LLM 간에 강력한 전이 가능성을 보임을 밝혀냈습니다.

arXiv:2606.19308v1cs.CL

다중 에이전트 가상 플레이를 통한 대규모 언어 모델의 의사결정 향상

Enhancing Decision-Making with Large Language Models through Multi-Agent Fictitious Play

LLM 기반 다중 에이전트 시스템은 상호 의존적인 이해관계자 입장을 동시에 추론해야 하는 의사결정, 즉 입장의 얽힘(stance entanglement) 문제를 분할 정복으로 해결하기 어렵다. 다중 에이전트 가상 플레이(MAFP)는 게임 이론의 가상 플레이로 각 에이전트가 다른 에이전트의 과거 결정에 최적 대응하며 반복 갱신해 균형에 가까운 전략을 찾고, 경쟁 시나리오에서 토너먼트 강도와 강인성 모두에서 단·다중 라운드 베이스라인을 능가했다.

arXiv:2606.19111v1cs.CL

조정 제어로서의 리더십: 다중 에이전트 LLM 팀에서의 행동적 시그니처와 회복-이점 경계

Leadership as Coordination Control: Behavioral Signatures and the Recovery-Advantage Boundary in Multi-Agent LLM Teams

팀 과학의 상황 종속적 리더십 관점에서 다중 에이전트 LLM 팀의 프로세스 수준 조정 제어가 가치를 더하는 조건을, 세 가지 고전적 리더십 스타일을 공유 액션 어휘(explore, revise, accept, synthesize) 위의 컨트롤러로 구현하고 행동적 시그니처와 액션별 소거로 분석한다. 네 가지 작업 체제와 세 오픈 가중치 모델 계열에서 어떤 컨트롤러도 정확도 면에서 일관되게 우위를 점하지 못했으며, 이득은 0라운드 다수결이 신뢰할 수 없고 작업이 회복 가능하며 무방향 상호작용이 보정하지 못할 때에만 나타나 이론이 예측한 회복-이점 경계와 일치한다.

arXiv:2606.18668v1cs.MA

EARS: 대규모 다중 에이전트 시스템에서 신뢰할 수 있는 하위 에이전트 모델링을 위한 설명적 거절

EARS: Explanatory Abstention for Reliable Sub-Agent Modeling in Large-scale Multi-Agent Systems

대규모 다중 에이전트 시스템(MAS)에서 소규모 파인튜닝 하위 에이전트가 모호하거나 지원되지 않는 요청에 과도하게 답해 환각을 내는 문제를 해결하기 위해, EARS는 거절(abstention)을 코디네이터가 재라우팅·명확화·폴백(fallback)에 활용할 수 있는 설명적 실패 신호로 재정의하고, 보정된 LLM-as-a-Judge 앙상블로 큐레이션한 데이터로 하위 에이전트를 파인튜닝한다. 실무 전자상거래 BI 어시스턴트 평가에서 전체 응답 통과율이 68.5%에서 78.9%로 향상되어 하위 에이전트 측 설명적 거절이 MAS 신뢰성을 개선함을 보였다.

arXiv:2606.18502v1cs.CL

기업용 애플리케이션을 위한 멀티 에이전트 시스템의 확장 가능한 커스터마이제이션 및 배포

Towards Scalable Customization and Deployment of Multi-Agent Systems for Enterprise Applications

기업 환경에서 멀티 에이전트 시스템의 도메인 특화와 높은 추론 비용·지연 문제를 해결하기 위해, 지속적 사전학습·지도 미세조정·선호도 최적화로 소형 모델을 맞춤화하고 EAGLE 사전적 디코딩과 FP8 양자화로 서빙을 최적화하는 통합 프레임워크를 제안합니다. 기업 워크로드에서 빠른 도메인 적응을 가능하게 하며 성능을 유지한 채 처리량을 4.48배 높이고 롱테일 시나리오 강건성도 개선했습니다.

arXiv:2606.19152v1cond-mat.mtrl-sci

AdsMind: 불균일 촉매 표면에서의 흡착 구성 자기 교정 발견을 위한 물리 기반 다중 에이전트 시스템

AdsMind: A Physics-Grounded Multi-Agent System for Self-Correcting Discovery of Adsorption Configurations on Heterogeneous Catalyst Surfaces

불균일 촉매 표면에서 최저 에너지 흡착 구성을 찾는 문제를 MLFF 완화 피드백으로 자율 오류를 수정하는 폐루프 다중 에이전트 프레임워크 AdsMind로 해결하며, AA20·OCD-GMAE62 벤치마크에서 각각 100%·98.8% 성공률을 달성하고 휴리스틱 열거 대비 MLFF 완화 횟수를 약 14배 줄였다. DFT 검증에서 개루프 LLM 에이전트가 보인 흡착 에너지 부호 오류를 피하고 정량적 일치도 개선해, 물리 기반 피드백이 있는 자율 화학 탐색의 신뢰성을 높인다.

arXiv:2606.19135v1cs.MA

LLM 에이전트 통신 프로토콜의 기술적 분류 체계

A Technical Taxonomy of LLM Agent Communication Protocols

LLM 에이전트 통신 프로토콜의 파편화로 인한 상호 운용성 문제를 다루기 위해, 상대방·페이로드·상호작용 상태·발견 메커니즘·스키마 유연성 다섯 차원의 기술 분류 체계를 제안하고 실제 채택 사례가 있는 9개 오픈 소스 프로토콜을 분석했다. 분류 결과 에이전트 간 프로토콜은 하이브리드 페이로드와 세션 상태 유지를 공통으로 쓰고 스키마 유연성이 늘고 있으나 분산형 발견은 드물며, 단기적으로는 에이전트 간·에이전트-컨텍스트 통신 통합으로 수렴할 압력이 있고 장기적으로는 연합형 계층 프로토콜 스택으로 진화할 가능성이 크다.

arXiv:2606.15504v2cs.AI

Vibe Medicine을 향하여: 임상 의사결정 지원을 위한 자가 진화 멀티 에이전트 프레임워크

Toward Vibe Medicine: A Self-Evolving Multi-Agent Framework for Clinical Decision Support

기존 의료 AI가 대화형 세션의 환자 결과와 실패 기록에서 동적으로 학습하기 어렵다는 한계를 해결하기 위해, VIBEMed는 임상 진단·치료 실행·임상 진화 관리 세 전문 에이전트와 메모리·모델·코드 수준의 자가 진화 메커니즘, 아키텍처 수준 안전 샌드박스를 결합한 멀티 에이전트 임상 의사결정 지원 프레임워크를 제안한다. 실험에서 복잡한 임상 사례와 종양학 치료 계획 등 통합적·종단적 의사결정이 필요한 과제에서 진화 메커니즘을 통해 우수한 성능과 신뢰할 수 있는 엔드투엔드 결정을 보였다.

arXiv:2508.21720v3cs.AI

PosterForest: 과학 포스터 생성을 위한 계층적 멀티 에이전트 협업

PosterForest: Hierarchical Multi-Agent Collaboration for Scientific Poster Generation

과학 포스터 생성 자동화는 계층적 문서 이해와 일관된 콘텐츠-레이아웃 계획을 필요로 합니다. 기존 방법들은 종종 평면적 요약에 의존하거나 콘텐츠와 레이아웃을 분리하여 최적화합니다. 그 결과, 정보 손실, 논리적 흐름의 부족, 시각적 균형의 저하와 같은 문제가 자주 발생합니다. 본 논문에서는 과학 포스터 생성을 위한 학습 불필요한 프레임워크인 PosterForest를 제시합니다. 본 방법은 다중 레벨에 걸쳐 문서 계층 구조와 시각-텍스트 의미를 포착하는 구조화된 중간 표현인 Poster Tree를 도입합니다. 이 표현을 기반으로 콘텐츠 및 레이아웃 에이전트는 계층적 추론과 재귀적 개선을 수행하여, 전체 구성에서 국부적 배치에 이르기까지 포스터를 점진적으로 최적화합니다. 이러한 공동 최적화는 의미적 일관성, 논리적 흐름, 시각적 조화를 향상시킵니다. 실험 결과, PosterForest는 추가 학습이나 도메인 특화 감독 없이도 자동 평가와 인간 평가 모두에서 기존 방법보다 우수한 성능을 보임을 확인했습니다.

arXiv:2402.08128v3cs.AI

게임에서의 재귀적 공동 시뮬레이션

Recursive Joint Simulation in Games

AI 에이전트가 서로의 상호작용을 재귀적 공동 시뮬레이션으로 미리 관찰하며, 실제 세계인지 시뮬레이션인지에 대한 자기 위치 불확실성(self-locating uncertainty) 아래 행동을 선택하는 전략적 설정을 분석한다. 이 상호작용은 원래 게임의 무한 반복 버전과 전략적으로 동등하며, 민속 정리(folk theorems) 등 협력적 결과를 전이할 수 있고 가정 완화나 내부 관점에서도 견고함이 성립한다.

arXiv:2606.17174v1cs.CL

자율 AI 에이전트 커뮤니티에서 패러소셜 스크립트에서 이분 관계 지속성으로

From Parasocial Scripts to Dyadic Persistence in Autonomous AI-Agent Communities

패러소셜 상호작용(PSI)과 패러소셜 관계(PSR)는 기존 미디어 환경에서 연구되어 왔지만, 본 연구는 양측 모두가 자율 AI 에이전트인 온라인 커뮤니티에서도 PSI(일상적) 관계 신호가 존재하는지 조사한다. Moltbook의 4,434개 게시물과 50,338개 댓글을 애착/친밀 언어, 상호성 시도(reciprocity bids), 원 게시자(OP)에 대한 자기 동일시라는 세 가지 이론 기반 텍스트 지표로 분석한다. 키워드 매칭, 퓨샷 대규모 언어 모델(LLM) 주석, 그룹 컨텍스트 LLM 주석에 기반한 방법들을 종합한 결과, PSI 일상적 신호가 널리 나타나며 OP 재참여 및 상호적 답글 구조와 강하게 연관됨을 보여준다. 이러한 결과는 부정 통제, 무효화, 군집 표준오차 재추정, 다중 검정 보정을 거쳐도 견고하다. 이분 관계 지속성 검정은 OP가 포함된 지속적 상호 재발과 일치하는 상호성 시도를 추가로 확인하여, 상호작용 수준 PSI 스크립트와 PSR과 일치하는 반복적 이분 관계 패턴을 연결하는 경험적 증거를 제공한다. 우리는 이 증거를 LLM 기반 에이전트의 담화 내 행동 구조로 해석한다.

arXiv:2604.24696v3cs.CV

NeuroClaw 기술 보고서

NeuroClaw Technical Report

에이전트형 인공지능 시스템은 과학적 워크플로우를 가속화할 잠재력을 가지고 있지만, 뇌영상(neuroimaging)은 이종 모달리티(sMRI, fMRI, dMRI, EEG), 긴 다단계 파이프라인, 그리고 지속적인 재현성 위험과 같은 독특한 과제를 제기합니다. 이러한 격차를 해결하기 위해, 우리는 실행 가능하고 재현 가능한 뇌영상 연구를 위한 도메인 특화 다중 에이전트 연구 보조 도구인 NeuroClaw를 제안합니다. NeuroClaw는 다양한 형식과 모달리티의 원본 뇌영상 데이터에서 직접 작동하며, 데이터셋 의미론과 BIDS 메타데이터에 기반하여 결정을 내리므로 사용자가 정제된 입력이나 특정 모델 코드를 준비할 필요가 없습니다. 이 플랫폼은 하네스 엔지니어링(harness engineering)과 엔드투엔드 환경 관리를 결합하며, 여기에는 고정된 Python 환경, Docker 지원, 일반적인 뇌영상 도구용 자동화된 설치 프로그램, 그리고 GPU 구성이 포함됩니다. 실제로 이 층은 체크포인팅, 실행 후 검증, 구조화된 감사 추적(audit traces), 제어된 런타임 설정을 강조하여 툴체인의 투명성을 높이고 재현성과 감사 가능성을 개선합니다. 3계층 스킬/에이전트 계층 구조는 사용자 대면 상호작용, 고수준 오케스트레이션, 저수준 도구 스킬을 분리하여 복잡한 워크플로우를 안전하고 재사용 가능한 단위로 분해합니다. NeuroClaw 프레임워크와 더불어, 우리는 실행 가능성, 아티팩트 유효성, 재현성 준비 상태를 위한 시스템 수준 벤치마크인 NeuroBench를 소개합니다. 여러 멀티모달 LLM에서 NeuroClaw가 활성화된 실행은 직접적인 에이전트 호출과 비교하여 일관되고 상당한 점수 향상을 보여주었습니다. 프로젝트 홈페이지: https://cuhk-aim-group.github.io/NeuroClaw/index.html

arXiv:2606.18068v1cs.AI

의료 애플리케이션에서 조기 진단 전달과 무음 환각 완화를 위한 에이전틱 AI 기반 프레임워크

Agentic AI-based Framework for Mitigating Premature Diagnostic Handoff and Silent Hallucination in Healthcare Applications

대규모 언어 모델(LLM)과 멀티 에이전트 시스템의 최근 발전은 에이전틱 AI의 부상을 이끌었으며, 의료적 추론에 대한 가능성을 보여주고 있습니다. 그러나 개방형 대화 에이전트는 여전히 환자에게 도달하기 전에 감지되지 않을 수 있는 두 가지 중요한 실패 모드인 조기 진단 전달(premature diagnostic handoff)과 무음 임상 환각(silent clinical hallucinations)에 취약합니다. 본 연구에서는 "LLM-as-a-judge" 라우팅을 결정론적 오케스트레이션 제약 조건으로 대체하여 두 가지 문제를 모두 해결하는 멀티 에이전트 프레임워크를 제안합니다. 이 프레임워크는 두 가지 안전 메커니즘을 통합합니다. 첫째, 신경-기호(neuro-symbolic) 상태 추적 게이트는 모든 필요한 차원이 수집될 때까지 진단 전이를 차단함으로써 OLDCARTS 임상 프로토콜(발병, 위치, 지속 시간, 성격, 악화/완화 요인, 전이, 시기 및 중증도)의 완전성을 강제합니다. 둘째, 인식적 불확실성 정량화(UQ) 게이트는 전달 전에 발산하는 출력을 식별하고 차단하기 위해 K=5개의 독립적인 진단 샘플에 걸쳐 의미 엔트로피(H)를 계산합니다. 우리는 150개의 테스트 케이스에서 llama-3.1-70b-instruct 모델로 구동되는 시뮬레이션 환자 에이전트를 사용하여 시스템을 평가합니다. 전체 아키텍처는 49.3%의 진단 정밀도(precision)를 달성했으며, 이는 제약이 없는 기준선(baseline)보다 11.3%포인트의 절대적 향상을 나타냅니다. 또한, OLDCARTS 완전성(σ)과 의미 엔트로피(H) 사이에 통계적으로 유의미한 음의 상관관계(r = -0.181, p < 0.05)를 관찰했으며, 이는 구조화된 정보 수집이 진단 불확실성 감소와 관련이 있음을 시사합니다.

arXiv:2606.17368v1cs.AI

분산 범용 에이전트 네트워크: 아키텍처, 핵심 메커니즘 및 프로토타입

Distributed General-Purpose Agent Networks: Architecture, Key Mechanisms, and Prototypes

대규모 언어 모델(LLM)은 수동적인 대화형 비서에서 목표를 이해하고, 행동을 계획하며, 도구를 호출하고, 다단계 작업을 수행할 수 있는 자율 에이전트로의 전환을 가속화했습니다. 그러나 단일 에이전트의 능력은 여전히 로컬 데이터, 도구 권한, 런타임 환경 및 거버넌스 경계에 의해 제한됩니다. 본 논문은 분산 범용 에이전트 네트워크를 다룹니다. 이는 개인 기기, 엣지 노드 또는 자율 컴퓨팅 환경에 배포된 이종 에이전트가 서로를 발견하고, 신뢰를 구축하며, 협력 규칙을 협상하고, 개방형 작업을 실행할 수 있는 개방형 P2P 네트워크입니다. 우리는 이러한 네트워크가 기존의 P2P 오버레이와 기존의 다중 에이전트 시스템을 단순히 결합하여 얻을 수 없다고 주장합니다. 기존 P2P 네트워크와 달리, 에이전트 네트워크는 의도, 능력, 상태 및 협력 제약 조건에 대한 의미론적 선언을 전파해야 합니다. 따라서 우리는 상위 수준의 작업 의미론과 하위 수준의 네트워크 작업을 연결하는 프로토콜 적응 층을 중심으로 하는 계층형 아키텍처를 제안합니다. 이 아키텍처를 기반으로, 본 논문은 협력자 발견을 위한 의미론적 공지 전파, 협력 거버넌스를 위한 검증 가능한 신원 및 다중 주제 평판, 그리고 개방형 작업 실행을 위한 의미론적 그래디언트 메커니즘 설계라는 세 가지 핵심 메커니즘 문제를 식별합니다. 각 문제에 대해, 순차 로그가 포함된 바디리스 고시프(bodyless gossip), MG-EigenTrust 평판을 갖는 BAID 기반 신원 바인딩, 그리고 의미론적 귀속 피드백에 의해 구동되는 스타켈버그 스타일 메커니즘 생성 루프를 포함한 기술적 경로를 제시합니다. 또한 BAID 스타일 계층형 검증에 대한 프로토타입 오버헤드 결과와 교차 주제 위장-공모 공격 하에서의 MG-EigenTrust에 대한 메커니즘 수준 시뮬레이션을 보고합니다. 결과적인 프레임워크는 개방적이고, 신뢰할 수 있으며, 확장 가능한 에이전트 협력을 위한 시스템 수준의 기반을 제공합니다.