ATLAS: 에이전트 방식인가 아니면 잠재적 시각적 추론인가? 둘 모두를 위해 단 한 단어면 충분하다

요약

본 기사는 중간 시각적 상태와 시각적 추론 분야의 두 가지 유망한 접근 방식인 에이전트 방식과 잠재적 추론의 한계를 극복하는 ATLAS 프레임워크를 제안합니다. ATLAS는 '기능적 토큰'이라는 단일 이산적 단어를 사용하여 에이전트 작업과 잠재적 시각적 추론 역할을 모두 수행할 수 있게 합니다. 이를 통해 복잡한 중간 시각 콘텐츠 생성 없이도 기존 학습 방식과의 호환성을 유지하며 성능을 향상시킵니다.

핵심 포인트

• ATLAS는 '기능적 토큰'이라는 단일 이산적 단어를 도입하여 에이전트 작업과 잠재적 시각적 추론 기능을 통합합니다.
• 기존의 접근 방식(에이전트 방식, 잠재적 추론)은 각각 컨텍스트 스위칭 지연이나 일반화 능력 부족 등의 한계를 가집니다.
• ATLAS는 기능적 토큰을 통해 내재화된 시각적 작업을 수행하면서도 시각적 감독 없이 표준 토크나이저 어휘 사전 내에서 생성 가능합니다.
• 학습 안정화를 위해 Latent-Anchored GRPO (LA-GRPO)라는 보조 목적 함수를 도입하여 기능적 토큰의 희소성 문제를 해결했습니다.