PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02932v1cs.AI

컴퓨터 활용 에이전트는 언제 컴파일해야 하는가? 토큰 효율성을 위한 투자 회수 측정 및 컴파일 결정

When to Compile a Computer-Use Agent? Measuring Payback and Making Compilation Decisions for Token Efficiency

에이전트(agent)가 반복적으로 실행하는 GUI 절차를 프로그램으로 컴파일하면 토큰(token) 비용을 절감할 수 있다. 그러나 투자 회수를 측정하고 컴파일 시점을 결정하는 데에는 두 가지 어려움이 존재한다. 첫째, 컴파일 시도가 수정을 필요로 할 수 있고 여전히 사용 가능한 프로그램을 생성하지 못할 수도 있어 컴파일 비용이 불확실하다. 둘째, 태스크 유입이 중단되거나 GUI 변경(GUI drift)으로 인해 프로그램 작동이 멈출 수 있어 향후 재사용 여부를 알 수 없다. 이러한 문제를 해결하기 위해, 본 논문에서는 측정 프로토콜과 온라인 컴파일 알고리즘을 갖춘 시스템인 PACE(Payback-Aware Compilation from Experience)를 제안한다. 측정 프로토콜은 성공 및 실패한 컴파일 비용을 기록하고, 매칭된 태스크 입력에 대해 에이전트와 프로그램의 실행 비용을 비교하여 1회 사용당 절감액과 투자 회수 횟수를 추정한다. 이러한 측정을 바탕으로 온라인 알고리즘은 과거 태스크 유입 및 컴파일 결과를 기반으로 실패한 시도를 포함한 컴파일 비용과 추정된 미래 절감액을 비교한다. 또한 관측된 태스크 유입에 따라 결정되는 누적 예산과 실행 및 컴파일 비용을 대조하여 두 작업 중 어느 것을 허용할지 검토한다. 명시된 작업 비용 가정 하에서, 각 유입 후 총비용은 모든 태스크를 에이전트로 실행하는 비용의 최대 1+ε배이다. 성공적인 컴파일 시도의 경우 소스 에이전트 실행을 제외한 추정 투자 회수 횟수는 2~16회 사용이다. 기록된 태스크 유입을 사용한 시뮬레이션에서 PACE는 ε=0.25일 때 평균적으로 ReAct 대비 17.3%, AutoRPA 적용 버전 대비 24.9%, ToolPro 적용 버전 대비 17.3%의 토큰 비용을 절감한다.

arXiv:2607.04542v1cs.LG

Auto: AGI 컴파일러

Auto: The AGI Compiler

LLM 에이전트가 매번 프론티어 모델에서 행동을 재도출하는 높은 비용 문제를 해결하기 위해, Auto는 라이브 에이전트 행동을 기록·측정하여 결정론적 부분을 WebAssembly 기반 인지 바이너리(cognition binary)로 컴파일하는 컴파일러 파이프라인을 제안한다. AUTO-BENCH에서 560개 스팬 중 87.1%가 결정론적으로 확인되었으며, 300개 항목 스트림에서 항목당 한계 비용을 59 마이크로달러에서 2 마이크로달러로 6.4배 절감하면서 96.9% 동등성을 달성했다.