PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.12674v1cs.AI

Evoflux: 컴팩트 에이전트를 위한 실행 가능한 도구 워크플로의 추론 시점 진화

Evoflux: Inference-Time Evolution of Executable Tool Workflows for Compact Agents

컴팩트 언어 모델(LM)은 도구 에이전트의 비용, 지연 시간, 배포 위험을 줄입니다. 그러나 MCP 스타일의 도구 사용은 고립된 함수 호출 이상을 요구합니다. 에이전트는 라이브 카탈로그에서 도구를 발견하고, 스키마를 만족시키며, 중간 출력 간 의존성을 보존하고, 최종 응답을 실행된 증거에 그라운딩(grounding)해야 합니다. 작은 플래너는 종종 도구 해석, 매개변수 검증, 의존성 추적, 또는 실행 단계에서 실패하는 그럴듯한 워크플로 그래프를 생성합니다. 우리는 이 실패 모드가 소규모 코퍼스 증류(distillation)로는 제대로 다루기 어렵다고 주장합니다. 수백 개의 교사 트레이스(teacher trace)는 워크플로 형식을 가르칠 수 있지만, 변화하는 도구 카탈로그에서 실패한 계획을 수복하는 데 필요한 복구 동작은 거의 다루지 못합니다. 우리는 Evoflux를 제안합니다. 이는 컴팩트 도구 사용을 실행 가능한 도구 워크플로의 수리로 보는 추론 시점 진화 탐색 방법입니다. 구조화된 편집, 실행 피드백, 적응적 강도, 메타 가이드 재설계, 다양성 가지치기(pruning)를 통해 타입이 지정된 워크플로 그래프를 진화시킵니다. 라이브 MCP 서버와 250개 도구에 걸친 홀드아웃 MCP-Bench 작업에서 Evoflux는 작은 플래너들에 걸쳐 실행 가능성을 대략 3%에서 17-24%로 높입니다. 대조적으로, 동일한 탐색-발굴(search-mined) 데이터에 대한 SFT 및 SFT+DPO는 제로샷(zero-shot) 성능과 비슷하거나, 더 낮은 성능을 보이거나, 그 이하로 붕괴합니다. ReAct는 더 높은 피크를 달성하지만, 더 높은 분산과 토큰 비용이 따릅니다. 이 결과는 제한된 교사-트레이스 예산 하에서 실행 기반 탐색이 더 신뢰할 수 있음을 보여줍니다.