Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
멀티 디바이스 환경에서 에이전트의 실행 실패를 효율적으로 복구하기 위한 계층적 재계획 프레임워크 H-RePlan을 제안합니다. 디바이스 로컬 전략과 전역 재계획을 분리하여 복구 효율성을 높였으며, 이를 평가하기 위한 벤치마크 HeraBench를 함께 도입했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기실제 컴퓨터 사용 작업은 종종 여러 애플리케이션과 디바이스에 걸쳐 있으며, 에이전트가 동적인 런타임 실패(runtime failures) 상황에서 이기종 환경을 조정할 것을 요구합니다. 기존의 멀티 디바이스 에이전트 시스템은 작업 분해(task decomposition)와 교차 디바이스 할당을 지원하지만, 복구 방식은 여전히 대체로 조립(coarse-grained) 수준에 머물러 있습니다. 즉, 실행이 실패했을 때 디바이스 로컬 전략 공간(device-local strategy space)을 체계적으로 모델링하지 않은 채, 일반적으로 동일한 전략을 재시도하거나, 하위 작업(subtask)을 재할당하거나, 전역 계획(global plan)을 수정하는 방식에 그칩니다. 이는 현재 디바이스 내에서 복구 가능한 실패와 교차 디바이스 재계획(cross-device replanning)이 필요한 실패를 구분하는 능력을 제한합니다.
우리는 API-CLI-GUI 실행이 통합된 멀티 디바이스 에이전트를 위한 계층적 재계획 프레임워크인 \textbf{H-RePlan}을 제안합니다. H-RePlan은 각 디바이스에 교체 가능한 실행 전략을 갖추게 하며, 컴팩트한 교차 계층 실패 추상화(cross-layer failure abstraction)를 통해 디바이스 로컬 전략 복구와 오케스트레이터 수준의 전역 재계획을 분리합니다. 이 능력을 평가하기 위해, 우리는 Linux 및 Android 디바이스 상에서 교차 디바이스 워크플로우를 구축하고 전략 및 디바이스 수준의 실패를 주입하는 결함 주입 벤치마크인 \textbf{HeraBench}를 도입합니다. 실험 결과, H-RePlan은 단일 전략 및 조립 수준의 멀티 디바이스 베이스라인보다 실질적으로 뛰어난 성능을 보였으며, 신뢰할 수 있는 엔드투엔드(end-to-end) 성공에 필요한 토큰 비용을 줄이면서도 더 높은 완료율, 지시 준수율 및 완전 통과율(perfect-pass rates)을 달성했습니다. 이러한 결과는 범위 인식형 계층적 복구(scope-aware hierarchical recovery)가 견고한 멀티 디바이스 에이전트 실행에 필수적임을 입증합니다.