PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.23057v2cs.AI

LLM이 그래프를 읽게 하지 말고, 그래프가 생각하게 하라

Don't Make the LLM Read the Graph: Make the Graph Think

협력적 다중 에이전트 추론에서 명시적 신념 그래프(belief graph)가 LLM 성능을 향상시키는지 조사한다. 협력 카드 게임 Hanabi에서 네 가지 LLM 계열에 걸친 3,000회 이상의 통제 실험을 통해 네 가지 결과를 도출한다. 첫째, 통합 아키텍처가 신념 그래프의 가치 여부를 결정한다. 프롬프트 컨텍스트로 사용될 때 그래프는 강한 모델에게는 장식에 불과하며, 약한 모델에게만 2차 Theory of Mind(ToM)에서 이점을 준다(80% vs 10%, p<0.0001, OR=36.0). 그래프가 순위가 매겨진 숏리스트를 통해 행동 선택을 게이트할 때는 강한 모델에서도 구조적으로 필수적이 된다(2차 ToM에서 100% vs 20%, p<0.001). 둘째, "Planner Defiance"라는 모델 계열별 실패 양상을 확인한다. 이는 LLM이 부분적 능력 수준에서 올바른 플래너 권고를 무시하는 현상이다(90% 무시, N=20에서 재현). Gemini 모델은 거의 무시하지 않는 반면 Llama 70B는 90%를 보이며, 모델들은 사실적 컨텍스트(순응)와 권고적 추천(무시)을 구분한다. 셋째, 전체 게임 증거는 에이전트 간 관습이 기준선 대비 +128%(p=0.003)로 모든 단일 에이전트 개입을 능가함을 확인하며, 개별 신념 그래프 구성 요소는 이득을 내기 위해 결합되어야 한다. 넷째, 예비 스케일링 분석(N=10/cell, 탐색적)은 그래프 깊이에 수익 체감이 있음을 시사한다. 얕은 그래프가 최고의 비용-편익 비율을 제공하는 반면, 더 깊은 ToM 그래프는 플레이어 수가 많을수록 해로워 보인다(5인에서 -1.5 pts, p=0.029).