재생 평가(Reclaim Evaluation): 손실된 메모리는 없는 것보다 나쁘다

언어 모델(Language Model)의 메모리는 아예 없는 것보다 더 나쁠 수 있습니다. 잘못된 결론은 유지하면서 그 결론에 도달하기 위한 과정(work)을 누락시킨 메모리를 모델에게 제공하면, 모델은 그 오래된 값을 확신에 찬 답변으로 내뱉습니다. 반면, 동일한 모델에게 빈 메모리를 제공하면 답변을 유보합니다. 7개의 모델을 대상으로 테스트했을 때 이 경향은 단 한 번도 역전되지 않았으며, 이는 어떤 모델도 깨뜨리지 못한 명확한 종료 조건(kill condition)입니다. 우리는 이를 취약한 메모리(brittle memory)라고 부릅니다. 이는 그 아래에 깔린 즉각적인 정보의 문제가 아니라 행동(behavioral)의 문제입니다. 그 규모(magnitude)는 성향과 작업에 따라 달라질 뿐, 방향성은 동일합니다. 우리는 이를 재생 평가(reclaim evaluation)로 측정합니다: 고정된 예산(budget) 내에서 편향된 상호작용(drifted interaction)을 압축한 후, 교정(correction)을 통해 알려진 정답을 회복할 수 있는지 테스트하며, 별도의 판사(judge) 없이 정답(ground truth)과 비교하여 점수를 매깁니다. 교정 가능성(Correctability)은 모델의 능력(capability)이 아니라, 답변을 결정짓는 근거(source)가 살아남느냐에 따라 병목 현상이 발생합니다. '근거 우선 정책(source-first policy)'(재계산 가능한 근거는 유지하고, 재유도 가능한 결론은 버림)이라는 한 줄의 정책은, 해당 근거가 압축 가능하고 식별 가능한 경우 동일한 예산 내에서 교정 가능성을 회복시킵니다. 길이를 맞춘 대조군(length-matched control) 실험을 통해 추가된 텍스트가 원인이 아님을 입증했습니다. 수작업으로 만든 오라클(oracle)은 1.00에 도달하며, 단일 프롬프트로 배포 가능한 버전은 0.49~0.88를 회복합니다. 이 문제는 연쇄적으로 심화됩니다: 메모리 루프(memory loop)를 통해 연결될 경우, 단 하나의 근거 누락 오류가 하류 단계(downstream steps)의 점점 더 넓은 범위를 오염시키고 교정 불가능한 상태로 남게 되는 반면, 근거 우선 방식은 제한된 예산 범위 내에서 유지됩니다. 이러한 한계와 해결책은 세 가지 배포된 메모리 시스템과 실제 대화(MultiWOZ)에서도 재현되었으며, 근거가 더 이상 들어갈 수 없을 만큼 예산을 초과하면 노트에 완전성(completeness)을 기록하지 않는 한 해결책은 조용히 실패합니다. 이것은 벤치마크가 아니라 메커니즘에 대한 통제된 연구입니다: 판사가 필요 없는 정확한 점수 산정, 예산이 일치하는 대조군, 그리고 거짓 결과가 나오도록 설계된 검증기(validators)를 포함합니다. 우리는 하네스(harness), 조건, 그리고 검증기를 공개합니다.