WRIT: 다중 턴 사용자 대면 에이전트를 위한 쓰기-읽기 집약적 궤적 합성
WRIT: Write-Read Intensive Trajectory Synthesis for Multi-Turn User-Facing Agents
다중 턴 사용자 대면 에이전트(agent)는 불완전한 요청으로부터 사용자의 의도를 추론하고, 대화와 도구를 통해 누락된 정보를 수집하며, 유효한 작업을 실행해야 합니다. 학습(training) 궤적은 이러한 과정을 사용자 메시지, 에이전트 응답, 도구 호출 등이 교차 배치된 시퀀스로 기록합니다. 충분히 복잡한 궤적을 합성하는 것은 에이전트를 학습시키기 위한 핵심 경로가 되었으나, 기존 파이프라인은 주로 여러 사용자 요청을 더 긴 작업으로 구성하여 난이도를 높임으로써 순차적 실행을 학습시키는 쓰기 집약적(write-intensive) 궤적을 생성합니다. 우리는 에이전트가 인자(argument)를 식별하기 전에 상당한 양의 읽기 도구 근거를 수집하고 비교해야 하는 경우, 단일 쓰기 결정 자체도 어려워질 수 있으며 이는 쓰기 집약적 데이터만으로는 해결할 수 없는 과제라고 주장합니다. 이러한 통찰을 바탕으로, 우리는 작업 내 쓰기 결정의 수와 개별 결정 각각의 근거 부담이라는 두 가지 복잡성 축을 따라 다중 턴 에이전트 학습 궤적을 합성하는 파이프라인인 WRIT(Write-Read Intensive Trajectory Synthesis)를 제안합니다. WRIT은 먼저 쓰기 집약적이면서도 읽기 부하가 큰 작업을 생성합니다. 그런 다음 현실적인 대화 변형을 반영하도록 사용자 행동 지침을 다양화하고, 마지막으로 실행 가능한 환경(environment)에서 에이전트-사용자 상호작용을 시뮬레이션하여 완전한 학습 궤적을 생성합니다. 이렇게 도출된 데이터는 에이전트가 더 긴 작업을 실행할 수 있도록 학습시킬 뿐만 아니라, 높은 정보 부하 하에서도 견고하고 근거 기반(evidence-grounded)의 의사결정을 내릴 수 있도록 학습시킵니다. 단 2,000개의 합성된 궤적만으로 WRIT으로 학습된 4B 모델(model)은 $τ^2$-bench에서 GPT-5.1 no-think를 능가하고 추론(inference) 시점의 토큰(token) 사용량을 대폭 줄여, 컴팩트한 SFT 데이터가 값비싼 테스트 시점 추론의 일부를 효율적인 에이전트 행동으로 전환할 수 있음을 보여줍니다.