경로 지정 및 적응적 깊이를 통한 효율적인 다중 에이전트 추론: GRADE

요약

본 논문은 다중 에이전트 추론의 비효율성을 해결하기 위해 GRADE(Gated Routing and Adaptive Depth for Efficient Reasoning)라는 계층적 다중 에이전트 시스템을 제안합니다. 이 시스템은 네 개의 학습 게이트를 통해 에이전트 선택, 탐색 깊이, 통신 여부 등을 공동으로 제어하며, CoGRPO 최적화 방식을 사용합니다. GRADE는 기존 기준 모델 대비 적은 활성 파라미터와 컴퓨팅 비용으로 높은 성능을 입증했습니다.

핵심 포인트

• GRADE는 에이전트 선택 및 탐색 깊이를 게이트로 제어하여 효율성을 높임.
• CoGRPO라는 새로운 최적화 방식을 도입하여 학습 안정성과 성능을 개선함.
• 활성 파라미터가 적은 상태에서도 기존 기준 모델을 능가하는 높은 추론 성능을 보임.
• 개별 에이전트 보정 맵을 통해 재훈련 없이 전문가를 교체할 수 있는 유연성을 제공함.