PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.02908v2cs.CL

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.

arXiv:2607.06233v2cs.AI

TOFFEE 시연: 대규모 데이터 에이전트 궤적 합성을 위한 학습 기반 시스템

Demonstrating TOFFEE: A Learned System for Synthesizing Data Agent Trajectories at Scale

TOFFEE는 이질적인 엔터프라이즈 환경에서 데이터 에이전트의 일반화 한계를 극복하기 위해, 몬테 카를로 트리 탐색(MCTS)과 적응형 모델 선택, 태스크 간 접두 컨텍스트 재사용을 결합하여 고품질 데이터 에이전트 궤적을 대규모로 합성하는 시스템이다. TOFFEE로 합성한 궤적으로 파인튜닝한 모델(TOFFEE-27B)은 KramaBench와 DSBench에서 OpenAI o3 같은 프론티어 추론 모델을 능가하며, 지도 파인튜닝(SFT) 및 문맥 내 학습(ICL) 데모 두 가지 용도로 활용 가능함을 실증한다.

arXiv:2607.08357v1cs.AI

MobiDiff: 인간 이동성 데이터 생성을 위한 의미 인식 다채널 이산 확산

MobiDiff: Semantic-Aware Multi-Channel Discrete Diffusion for Human Mobility Data Generation

MobiDiff는 인간 이동 데이터 생성을 위한 엔드투엔드 이산 확산(discrete diffusion) 프레임워크로, 각 체크인 이벤트를 공간·활동·시간 다채널 의미 스켈레톤으로 분해하고 구조화된 마스킹을 통해 직접 노이즈 제거함으로써 고비용의 보간이나 잠재 궤적 구성 파이프라인을 제거한다. 애틀랜타, 보스턴, 시애틀 데이터셋 실험에서 궤적 길이와 시간 간격 분포를 효과적으로 보존하면서 GeoGen 대비 평균 5.3배 빠른 추론 속도를 달성했다.

arXiv:2606.31229v1cs.AI

Agentic-Ideation: Sample Efficient Agentic Trajectories Synthesis for Scientific Ideation Agents

과학적 아이디어 생성(scientific ideation)에서 사전 정의된 워크플로우의 한계를 극복하기 위해, 참조 아이디어를 오라클 가이던스로 활용하여 멀티 에이전트 시스템이 고품질 에이전트 궤적을 효율적으로 합성하는 Agentic-Ideation 프레임워크를 제안한다. 이 방법은 기존 워크플로우 기반 최신 기법 대비 전체 품질에서 11.91% 향상을 달성하고, 고품질 데이터 합성의 샘플 효율을 10배 이상 개선하였다.