Recursive Multi-Agent Systems

요약

본 논문은 잠재 상태를 반복적으로 정제하여 추론을 심화시키는 재귀적/루프형 언어 모델의 원리를 다중 에이전트 시스템(MAS)으로 확장한 'RecursiveMAS' 프레임워크를 제안합니다. RecursiveMAS는 통합된 잠재 공간에서 여러 이질적인 에이전트를 연결하고 협업 루프를 형성하여, 에이전트 간 잠재 상태 전이를 가능하게 합니다. 또한, 공유 경계 기반 크레딧 할당을 위한 내-외 루프 학습 알고리즘을 개발했으며, 다양한 벤치마크에서 기존 MAS 대비 높은 정확도 향상과 효율성 개선을 입증했습니다.

핵심 포인트

• 재귀적/루프형 언어 모델의 원리를 다중 에이전트 시스템(MAS)에 적용하여 'RecursiveMAS' 프레임워크를 구축함.
• 통합된 잠재 공간과 경량 RecursiveLink 모듈을 사용하여 이질적인 에이전트 간 협업 루프 및 잠재 상태 전이를 구현함.
• 공유 경계 기반 크레딧 할당을 위한 내-외 루프 학습 알고리즘을 개발하여 시스템의 반복적 공동 최적화를 가능하게 함.
• 수학, 과학, 의학 등 9개 벤치마크에서 평가 결과, 기존 MAS 대비 평균 정확도 8.3% 향상 및 토큰 사용량 대폭 감소를 달성함.