PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.28379v1cs.IR

LEDGER: 의존성 인식 그래프 검색을 활용한 에이전틱 문서 편집의 스케일링

LEDGER: Scaling Agentic Document Editing with Dependency-aware Graph Retrieval

우리는 에이전틱(agentic) 문서 편집이라는 새로운 컨텍스트 엔지니어링 과제를 해결하기 위해 LEDGER를 소개한다. 이 과제는 길고 구조화된 문서에 대한 국소적 편집을 교차 참조나 의미적 일관성을 깨뜨리지 않고 효율적으로 적용해야 한다는 요구를 수반한다. LEDGER는 계층적 구성, 명시적 참조, 암묵적 의존성, 의미적 관계 등 문서 구조를 명시적으로 모델링하는 경량 의존성 그래프를 구성한다. 각 편집에 대해 그래프 안내 검색(graph-guided retrieval)은 필요한 컨텍스트만을 선택하여, 일관성을 유지하면서도 전체 문서 처리를 피한다. 우리는 다양한 문서 유형과 길이를 포괄하는 1,900개의 테스트 케이스로 구성된 엄선된 벤치마크에서 최신 6개 모델을 대상으로 LEDGER를 평가하였다: LEDGER는 토큰 사용량을 줄이면서 6개 모델 및 테스트 시나리오 전반에 걸쳐 일관성을 56%에서 76%로 향상시켰다. 특히, 낮은 추론 노력(low reasoning effort)을 적용한 LEDGER는 더 적은 토큰을 사용하면서도 높은 추론 노력(high reasoning effort)의 기준선(baseline) 성능에 필적하였으며, 이는 명시적 의존성 표현이 에이전틱 문서 편집에서 비용이 큰 내부 추론을 부분적으로 대체할 수 있음을 보여준다.