의지 유도: 사람과 그들의 기계를 위한 동작 의미론
Volition Elicitation: Operational Semantics for People and Their Machines
한국어 초록
오늘날 가장 널리 퍼진 분산 시스템에는 사람과 그들의 개인 기기(스마트폰)가 포함된다. 이러한 시스템에서 계산은 사람들의 의지에 의해 구동된다: 어떤 사람이 누군가에게 지불하고자 할 때의 결제, 두 사람이 친구가 되고 싶어 할 때의 친구 맺기 등이다. Volition-Guarded Multiagent Atomic Transactions는 이러한 시스템을 위한 추상 명세 언어로 제안되었으며, 각 에이전트는 한 사람과 그들의 기계로 구성되고, 트랜잭션은 참여 에이전트들의 기계 상태와 개인적 의지 모두에 의해 가드될 수 있다. 본 논문에서는 GLP를 의지-가드 절로 확장한 프로그래밍 언어인 volition-guarded GLP(vGLP)를 정의하고, Communicating Volitional Agents의 한 사례로서 그 동작 의미론을 정의한다. 동작 의미론이 의지-가드 절의 축소에 대해 사람이 의지하도록 요구하기 때문에, 올바른 구현은 그 사람의 의지를 유도해야 한다. ``사람의 머릿속에 무엇이 있는지''를 파악하는 것이 UI의 유일한 근거이며, UI는 이에 따라 표준 구조체로 구현된다. 우리는 grassroots social graph, 소셜 네트워크, 통화에 대해 이 접근법을 시연한다. 각 플랫폼은 의지-가드 다중 에이전트 원자 트랜잭션으로부터 AI가 생성한 vGLP 프로그램이며, 역시 AI가 만든 vGLP 구현이 그 의지-가드 절을 사용자 인터페이스 구조체로 매핑하여, 물리적 스마트폰에 배포된 하나의 동작하는 앱을 만든다.
원문 초록
The most prevalent distributed systems today include people and their personal machines (smartphones). In such systems, computations are driven by people's volitions: a payment when a person wishes to pay someone, befriending when two people wish to become friends, etc. Volition-Guarded Multiagent Atomic Transactions were proposed as an abstract specification language for such systems, in which each agent consists of a person and their machine, and a transaction can be guarded by both the machine states and the personal volitions of its participating agents. Here, we define the programming language volition-guarded GLP (vGLP), which extends GLP with volition-guarded clauses, and define its operational semantics as an instance of Communicating Volitional Agents. As the semantics requires the person to will a volition-guarded clause reduction, a correct implementation must elicit the person's volitions: finding out ``what's in the person's head'' is the sole rationale for the UI, which is realised accordingly by standard constructs. We demonstrate the approach on the grassroots social graph, social network, and currencies: each platform is a vGLP program, generated by AI from volition-guarded multiagent atomic transactions; the implementation of vGLP, also created by AI, then maps its volition-guarded clauses into the user-interface constructs, resulting in a single working app deployed on a physical smartphone.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2607.14138v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
에이전틱 웹을 위한 인프라: Agentverse 플랫폼 기반 격차 분석 및 아키텍처
Infrastructure for the Agentic Web: Gap Analysis and Architecture from the Agentverse Platform
자율 AI 에이전트가 디지털 인프라의 일급 참여자로 등장하는 것은 웹 진화의 근본적인 전환점을 나타낸다. 에이전트 행동과 추론에 상당한 연구가 이루어졌지만, 에이전트가 대규모에서 신뢰성 있게 작동하는 데 필요한 인프라에는 비교적 적은 관심이 기울여졌다. 본 논문은 Artificial Superintelligence(ASI) Alliance 산하 Fetch.ai가 개발한 에이전트 클라우드 플랫폼 Agentverse에 대한 체계적 분석을 통해 그 격차를 다루며, 이는 현재 이용 가능한 에이전트 네이티브 인프라의 가장 성숙한 프로덕션 배포 중 하나를 대표한다. 우리는 세 가지 주요 기여를 한다. 첫째, Agentverse 플랫폼에 대한 실증 감사를 수행하여 204개의 API 엔드포인트(Q1 2026)를 목록화하고, 운영 중·부분 배포·부재 상태를 특성화한다. 이 감사를 통해 에이전트 메모리와 관측 가능성(observability)에서 보안, 경제적 프리미티브, 엔터프라이즈 스케일링에 이르는 62가지 뚜렷한 부재 역량을 포괄하는 8개 범주의 Gap Taxonomy(격차 분류체계)를 도출한다. 둘째, 식별한 구체적 격차에 근거하여 2030년까지 완전히 실현된 에이전트 네이티브 클라우드가 제공해야 할 요건에 대한 참조 아키텍처인 7층 Agent Cloud Stack(에이전트 클라우드 스택)을 제안한다. 셋째, 다섯 가지 핵심 진화 경로를 특성화한다: 일시적 저장소에서 완전한 Agent Memory Cloud(에이전트 메모리 클라우드)로, 키워드 기반 발견에서 의미론적·신뢰 가중 Agent DNS(에이전트 DNS)로, 단일 프로토콜 모델에서 다중 표준 에이전트 lingua franca(공용어)로, 단일 인스턴스 호스팅에서 Kubernetes 규모 오케스트레이션으로, 단순 토큰(token) 결제에서 풍부한 에이전트 경제적 프리미티브로. 이들 기여를 종합하면 현재 에이전트 인프라에 대한 진단과, 2030년까지 에이전틱 웹—Web4—을 지원하기 위해 에이전트 클라우드가 갖추어야 할 모습에 대한 기술적으로 근거 있는 비전을 제공한다.
모순 판정기가 보고된 팀원의 오류를 환각으로 계수하였다: 한 다중 에이전트 LLM 하니스에 대한 주장 인식 재채점
A Contradiction Judge Counted Reported Teammate Errors as Hallucinations: An Assertion-Aware Re-Score of One Multi-Agent LLM Harness
환각을 채점하는 LLM 판정기는 참조 사실과 모순되는 모든 진술에 표시를 한다. 다중 에이전트 LLM 시스템의 에이전트들은 서로의 주장을 인용하고 반박하므로, 이러한 판정기는 팀원의 오류에 대한 올바른 보고를 환각으로 계수할 수 있다. 이 연구의 이전 버전인 프리프린트(arXiv:2606.21666v1)는 브로드캐스팅이 환각률을 0.492에서 0.658로(+34%) 높였다고 보고하고 이를 오염이라고 불렀으나, 이번 버전은 그 주장을 철회하며, 해당 프리프린트의 실행은 재채점할 수 없다. 해당 하니스의 미공개 개정판은 0.289에서 0.554로(+0.265, 95% CI [0.225, 0.305]) 증가했다고 보고하였으며, 그 저장된 출력을 여기서 재채점한다. 어떤 판정기 호출보다도 먼저 확정된 분석 계획에 따라, 서로 다른 세 업체의 판정기 세 개가 1,832개 출력에 담긴 여섯 개 사실 각각을 잘못 주장됨, 다른 출처에 귀속됨, 올바르게 주장됨, 또는 부재로 labeling하였다. 출력이 자신의 값으로 주장하는 값에 대해, 브로드캐스트 효과는 Full-Broadcast 시행 10회에서 -0.0208(95% CI [-0.0458, +0.0041])이었으며, 이는 0과 구별되지 않고, 사후 설정한 ±0.0663의 한계와 계획된 프롬프트 하에서만 0과 동등하다. 이러한 LLM 판정기 레이블에서, 팀원의 잘못된 값에 대한 보고가 Haiku 여행 효과의 거의 전부를 설명하였다. 언급 여부로 채점했을 때 판정기들은 그 효과를 재현하였다(+0.1996). Llama 에이전트의 경우 팀원 출력 40개 중 2개가 잘못된 목적지를 주장하였다. Claude 판정기-프롬프트 조합 열두 개 중 하나가 주장 기준의 증가를 보였다(Sonnet 4.6, 하나의 의역: +0.0246, 95% CI [+0.0055, +0.0436]). 에이전트와 같은 Claude 모델이 판정한, 조건별 새 시행 40회에서 주장 기준 차이는 두 판정기가 모두 동의했을 때 -0.0505였고, 어느 한쪽이라도 동의했을 때 +0.0161(95% CI [+0.0024, +0.0299])이었다. 주된 한계: 레이블에 사람의 검증이 없으며, 출력 120개에 대한 사람 레이블은 보류 중이다. 출력은 하나의 하니스와 손으로 작성한 13개 시나리오에서 나온 것이므로 그 비율은 다른 환경으로 전이되지 않는다.
Agon: 프롬프트 경제 기반의 자율 대규모 범학문 연구 시스템
Agon: An Autonomous Large-Scale Omnidisciplinary Research System Built on Prompt Economy
대규모 언어 모형은 연구를 확장 가능하게 만들고 있다. 우리는 자동화된 연구의 한계를 탐구하도록 설계된 연구 오케스트레이터 \textsc{Agon}을 제시한다. \textsc{Agon}은 프롬프트 경제(Prompt Economy), 미래 지향(Future-Facing), 최소 프롬프트(Minimal Prompts), 범학문(OmniDisciplinary), 대규모 병렬성(Massive Parallelism), 무코드(Zero-Code)라는 여섯 가지 설계 원칙에 기반한다. 우리는 간략한 주제 설명만을 출발점으로 삼고 사람이 작성한 코드는 전혀 사용하지 않은 채 \textsc{Agon}을 여러 분야에 배치하였다. 이러한 배치는 확장성을 보여줄 뿐만 아니라, 프롬프트 엔지니어링으로 해결하기 어려운, 이전에는 보이지 않던 부류의 실패도 드러낸다. 우리는 이러한 실패를 심각도, 수정 가능성, 가시성, 역량 소재(capability locus)라는 네 가지 차원에 따라 분류 체계로 정리한다. 이 결과들은 종합적으로 \textsc{Agon}이 연구를 새로운 패러다임, 즉 기계가 확장하고 인간이 조타하는 방향으로 이끌고 있음을 보여준다. 코드는 \href{https://github.com/AutoResearch-Factory/Agon/tree/lite}{이 GitHub 저장소}에 공개되어 있다.
GaP: 변동적 자동화 태스크를 위한 그래프-as-정책 멀티 에이전트 자기학습 하네스
GaP: A Graph-as-Policy Multi-Agent Self-Learning Harness For Variational Automation Tasks
로봇이 상업 및 산업 응용에서 안정적으로 작동하려면, 에이전트형 코딩 시스템의 최근 발전이 해석 가능한 로봇 프로그래밍과 모델 프리 정책의 개방형 세계 적응성을 결합할 잠재력을 지닌다. 우리는 고정 자동화보다 물체 형상과 자세의 변동이 큰 과제 부류인 "가변 자동화"(Variational Automation, VA)에 주목한다. 모델 프리 정책은 상업 및 산업 응용에서 지속적이고 안정적으로 수행되어야 하는 VA 과제의 신뢰성 격차를 좁히는 데 어려움을 겪는 경우가 많다. 과제 및 동작 계획(TAMP)과 로봇 운영체제(ROS)에 관한 선행 연구에 착안하여, 우리는 모듈형 개방 로봇 스킬 라이브러리(MORSL)로부터 인지, 계획, 제어 노드를 갖춘 방향 계산 그래프를 생성하는 멀티 에이전트 코딩 하네스인 Graph-as-Policy(GaP)를 소개한다. GaP는 내부 시뮬레이션 환경을 생성하여 서로 다른 그래프로 과제 인스턴스를 병렬로 연습하고, 그래프 구조와 파라미터를 반복적으로 개선하여 성공률과 처리량을 높인다. 시뮬레이션 4개와 실제 환경 4개를 포함한 8개의 새로운 공개 VA 과제 벤치마크로 평가한 결과, GaP는 베이스라인을 크게 능가하는 성공률을 달성할 수 있음을 시사한다. 상세 내용, 코드, 데이터: https://graph-robots.github.io/gap
자기 성찰을 넘어서: 에이전트 경험 학습을 위한 실행-증류-검증 프레임워크
Beyond Self-Reflection: An Execute-Distill-Verify Framework for Agentic Experience Learning
경험 학습은 대규모 언어 모델 에이전트가 모델 매개변수를 갱신하지 않고도 외부 메모리를 통해 교훈을 재사용하도록 한다. 그러나 성찰은 실행 오류를 승인하여 이를 향후 지침으로 저장할 수 있으며, 우리는 이러한 실패 양상을 자기 확증 함정(Self-Confirmation Trap)이라 부른다. 우리는 오프라인 경험 구축을 위한 실행-증류-검증(Execute-Distill-Verify) 프레임워크인 EDV를 제안한다. 이종 에이전트들이 각 과제를 독립적으로 실행하고, 제3자 증류기가 이들의 궤적과 환경 피드백을 비교하여 후보 교훈을 추출하며, 실행 에이전트들이 각 후보를 별도로 검토하여 만장일치로 승인된 교훈만 유지한다. 평가에서는 고정된 메모리 뱅크에서 검색하는 단일 해결기를 사용한다. $\tau^2$-bench, Mind2Web, MMTB에서의 실험은 재방문 과제 성능이 향상됨을 보여 주며, $\tau^2$-bench에서는 보류된 과제로의 도메인 내 전이에 대한 추가 증거도 확인된다. 주석이 달린 Retail 부분집합에서 EDV는 자기 확증 함정 비율을 RB-MaTTS의 11.0%에서 5.0%로 낮추며, 이는 잘못된 지침의 보존이 줄었음을 나타낸다.
평균장 강화학습: 평균장 제어를 위한 이론과 알고리즘
Mean Field Reinforcement Learning: Theory and Algorithms for Mean Field Control
이 모노그래프는 평균장 상호작용과 공통 잡음을 갖는 대규모 개체군 확률 제어에서 발생하는 마르코프 결정 과정의 관점에서 평균장 강화학습을 소개한다. 다중 에이전트 강화학습과 평균장 제어 사이의 연결에서 출발하여, 대표 에이전트 학습 문제를 정식화하고, 이것이 유한 개체군 시스템과 맺는 관계를 분석하며, 일반 모형과 선형-이차 모형을 모두 연구하는 데 필요한 확률론적, 수학적, 제어이론적 틀을 전개한다. 서술에는 동적 계획법 원리, 혼돈 전파 극한, 그리고 표 기반 Q-러닝과 정책 경사 방법에 대한 이론적 분석이 포함된다. 또한 표 기반 기법과 심층 결정론적 정책 경사(deep deterministic policy gradient)와 같은 심층 강화학습 방법을 포함한 수치적 구현도 논의한다. 이 책의 목표는 독자에게 평균장 제어 이론과 강화학습 방법론 사이의 일관된 가교를 제공하는 것이며, 문제의 수학적 구조와 대규모 확률적 개체군을 위한 다루기 쉬운 학습 접근법의 설계를 강조한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.