AI 연구연구 프리프린트
에이전트의 쉬운 선택을 작은 모델에 맡겨 비용을 줄였다
원문 읽기 · arxiv.org ↗(새 탭에서 열림)JevAgentHarness는 도구 선택 같은 반복 결정을 작은 결정 모델에 맡기고 확신이 낮을 때만 원래 언어모델에 되돌리는 방식을 시험했다.
연구 방법
- 연구진은 고립된 선택 문제, 저장된 에이전트 단계, 실제 과제 성공의 세 층에서 결정 모델을 검증했다. 에이전트 자신의 궤적에서 선택 종류별 확신 문턱을 맞추고, 그 에이전트가 실제로 방문한 상태를 이용해 AgentDecision-4B를 학습했다. 단순 단일 선택 정확도가 높아도 연속 작업 성공과 같지 않음을 분리해 측정했다.
평가 결과
- 분리 문제에서 가장 정확했던 결정 모델도 실제 과제 성공률은 69.5%였고 무문턱 도구 선택 위임은 성공률을 19.0%포인트 낮췄다. 자기 궤적으로 학습한 4B 모델은 분포가 바뀐 과제 성공률 91.5%로 Jev의 82.0%보다 높았다. 일부 유사 과제에서 비용은 81.1~89.0% 줄고 속도는 최대 2.5배였으나 코딩 에이전트의 절감은 7.0~10.5%였다.
적용 조건
- 영어 과제와 주로 Gemini 에이전트, 특정 GPU·병렬 운영 조건에서 얻은 수치다. 어려운 과제에서는 4.6~30.5%만 절약하고 더 느려지기도 했다. '성공률 저하 3%포인트 미만'은 비열등성 기준이지 완전 동등성 증명이 아니다. 다른 도구·에이전트에는 문턱 재맞춤과 학습이 필요하다.
함께 확인할 조건
- 영어 과제와 주로 Gemini 에이전트, 특정 GPU·병렬 운영 조건에서 얻은 수치다. 어려운 과제에서는 4.6~30.5%만 절약하고 더 느려지기도 했다. '성공률 저하 3%포인트 미만'은 비열등성 기준이지 완전 동등성 증명이 아니다. 다른 도구·에이전트에는 문턱 재맞춤과 학습이 필요하다.
출처와 편집 기준
arxiv.org · 연구 프리프린트 · 검수 2026.10.19 (KST)
요약은 원문의 핵심을 정리했으며, 커머스 인사이트는 편집 해석이다.