PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2603.05294v3cs.AI

STRUCTUREDAGENT: 장기적 웹 태스크를 위한 AND/OR 트리 기반 계획 수립

STRUCTUREDAGENT: Planning with AND/OR Trees for Long-Horizon Web Tasks

기존의 대규모 언어 모델(LLM) 기반 웹 에이전트(agent)는 제한된 문맥 내 메모리, 취약한 계획 수립 능력, 그리고 조기 종료로 이어지는 탐욕적(greedy) 동작으로 인해 복잡하고 긴 호흡(long-horizon)의 태스크에서 어려움을 겪는다. 이러한 문제를 해결하기 위해, 동적 $\ANDOR$ 트리를 통해 계획 수립과 실행을 교차 진행하는 계층적 계획 수립 프레임워크인 \SA{}를 제안한다. 이 프레임워크는 구조적 계획 수립을 LLM 기반 추론과 분리하여 노드 수리를 통한 원칙적인 오류 복구, OR 노드를 통한 대안의 체계적인 탐험, 인간의 개입을 촉진할 수 있는 모듈식 계획을 가능하게 한다. WebArena(630개 태스크)에서 \SA{}는 AgentOccam의 약 46% 대비 약 53%의 성공률을 달성하며, 복잡한 다중 제약 조건이 있는 Amazon 쇼핑 태스크에서는 가장 강력한 기준선 대비 10%의 성능 향상을 기록한다.

arXiv:2607.12547v1cs.RO

Mind the Gap: LeWorldModel에서 계층적 계획의 기대와 함정

Mind the Gap: Promises and Pitfalls of Hierarchical Planning in LeWorldModel

장기 목표 조건 제어(long-horizon goal-conditioned control)에서 시간적 계층성(temporal hierarchy)이 LeWorldModel을 개선할 수 있는지 조사한다. 사전학습된 저수준 LeWM을 고정하고 잠재 부목표(latent subgoals)에 대한 고수준 계획을 추가한 확장인 Hi-LeWM을 제안한다. PushT와 Cube에서 목표 오프셋이 증가하는 조건으로 Hi-LeWM을 평가한다. 계층 구조가 자동으로 성능을 개선하지는 않는다. 짧은 horizon에서는 최적 구성이 고수준 horizon을 한 단계로 사용하지만, 더 긴 horizon에서는 학습된 고수준 행동 공간과 추론 시 검색 분포 사이의 불일치가 드러난다. 실제 미래 잠재 부목표를 사용한 실험은, 고정된 저수준 컨트롤러가 잘 정렬된 중간 목표를 실행할 수 있음을 보여주며, 고수준 부목표 생성이 주요 병목임을 시사한다. 제약 없는 검색은 학습된 모델 하에서 유리해 보이지만 실제로는 열악한 제어 목표를 만드는 잠재 매크로 행동(latent macro-actions)을 선택할 수 있다. 학습 궤적에서 인코딩된 매크로 행동 주변으로 검색을 제한하고 적절한 부목표 실행 시점을 맞추면 유용한 계층적 regime을 회복하여, 중간 범위 horizon에서 flat LeWM 대비 +11.3 percentage points, 가장 긴 PushT horizon에서 +14.7 percentage points를 개선한다. 종합하면, 시간적 추상화(temporal abstraction)는 compact frozen LeWM에 이점을 줄 수 있지만, 고수준 검색이 저수준 컨트롤러와 호환될 때에만 그렇다.

arXiv:2607.03182v1cs.RO

AnchorVLA: 이산적 결정과 연속적 궤적을 잇는 비전-언어-행동 계획

AnchorVLA: Bridging Discrete Decisions and Continuous Trajectories for Vision-Language-Action Planning

자율주행 계획은 탐색 의도, 교통 규칙, 동적 상호작용, 언어 지시를 실행 가능한 연속 궤적으로 변환해야 한다. 비전-언어-행동(VLA) 모델은 롱테일 일반화, 상식 추론, 고수준 의미 이해, 설명 가능성을 향상시키기 위해 주행 계획에 도입되었다. 그러나 기존 VLA 플래너들은 대부분 계획 헤드 기반 궤적 예측 또는 전체 궤적 자기회귀 생성 방식을 따른다. 전자는 VLA 추론으로 연속 궤적 생성을 약하게만 제약하며, 후자는 정보 밀도가 낮은 좌표 토큰의 긴 시퀀스에 의존하여 의미-행동 정렬을 어렵게 하고 이산화 오류와 비효율적인 추론을 초래한다. 이러한 한계를 극복하기 위해 우리는 AnchorVLA를 제안한다. AnchorVLA는 고수준 VLA 추론과 연속 궤적 실행 사이의 명시적 인터페이스로 궤적 패턴 앵커를 활용하는 계층적 결정 앵커 기반 VLA 계획 프레임워크이다. 구체적으로, 결정-앵커 표현(Decision-as-Anchor Representation)은 단일 좌표점이 아닌 전체 지역 동작 패턴을 인코딩하는 앵커 토큰으로 행동 수준의 주행 결정을 표현한다. 결정 앵커 잔차 흐름(Decision-Anchored Residual Flow)은 고수준 의사결정 이후 다중 모달 실행 세밀화를 포착하기 위해 선택된 앵커가 정의하는 잔차 공간에서 세밀한 연속 궤적을 생성한다. 웨이포인트 시퀀스를 자기회귀적으로 생성하는 대신 컴팩트하고 의미론적으로 의미 있는 앵커를 추론함으로써, AnchorVLA는 LLM 기반 의사결정을 보존하면서 추론 효율성, 의미-행동 정렬, 연속 생성 유연성을 향상시킨다. Bench2Drive 폐루프 벤치마크 실험에서 AnchorVLA는 77.28의 최고 수준 성공률(Success Rate)과 89.92의 경쟁력 있는 주행 점수(Driving Score)를 달성하였다.

arXiv:2606.20978v1cs.AI

에이전트는 시연을 어떻게 읽어야 하는가? 계층적 구조가 평탄한 행동 로그를 능가한다

How Should Agents Read Demonstrations? Hierarchical Structure Beats Flat Action Logs

시연 기반 프로그래밍(Programming by Demonstration, PbD)은 LLM 에이전트를 위한 절차적 지식을 작성하는 인간 중심의 방법을 제공한다. 사용자는 프롬프트나 코드를 작성하는 대신 행동을 보여줌으로써 원하는 것을 전달하므로, 비프로그래머도 에이전트 작성에 접근할 수 있다. PbD 녹화의 자연스러운 출력은 평탄한 행동 로그이지만, 이 로그를 에이전트에 전달하기 전에 어떻게 구성할지는 계획 품질에 상당한 영향을 미치는 미결정 설계 문제이다. 우리는 기록된 행동을 레이블이 붙은 계층적 하위 목표(subgoal)로 그룹화하는 방법을 제안하고, 통제 실험에서 이 조직적 구조의 효과를 평가한다. 85개의 웹 자동화 작업에서, 동일한 행동 시퀀스를 공유하지만 구조가 다른 네 가지 시연 형식을 제로샷 기준선과 비교한다. 모호한 설명을 가진 43개의 자연어 작업에서, 계층적으로 그룹화된 시연은 통과율을 76.7%에서 90.7%로 향상시킨다(쌍체 순열 검정 $p{=}0.034$; win-loss 6:0). 반면 평탄한 시연은 더 작고 통계적으로 유의하지 않은 개선만 보인다. 정확한 설명을 가진 42개 작업에서는 어떤 형식도 이점을 제공하지 않으며, 이는 계층적 이점이 설명이 절차적 세부사항을 모호하게 남길 때에만 발생함을 확인한다. 절제(ablation) 분석은 하위 목표 그룹화만이 효과를 주도함을 보여준다. 전제조건(preconditions), 사후조건(postconditions), 매개변수 주석은 측정 가능한 이점을 추가하지 않는다. 이 결과는 PbD 파이프라인에 대한 구체적인 설계 권고를 제공하며, 더 넓게는 LLM 에이전트에 절차적 컨텍스트를 공급하는 모든 시스템에 대해서도 마찬가지이다. 평탄한 단계 목록을 제시하는 대신 행동 시퀀스를 명명된 하위 목표 그룹으로 분할하라.