전체 AI 소식

DraMaze: 다양한 마이크로드라마 대본 생성을 위한 미래 지향적 메모리를 갖춘 다중 에이전트 파이프라인

arXiv:2610.32002v1 발표 유형: 신규 초록: 마이크로드라마의 급속한 성장으로 인해 고품질 대본 제작에 대한 수요가 증가하고 있습니다. LLM을 활용한 장편 마이크로드라마 대본 생성은 다양한 플롯 전개와 장기적인 서사적 일관성을 모두 요구합니다. 우리의 관찰에 따르면, 생성이 진행됨에 따라 후보 연속 문장들은 점점 더 적은 수의 서사적 기제에 집중되는 반면, 기존의 검색 방식은 틀에 박힌 표현의 재사용을 강화하고 미래 플롯에 필수적인 역사적 정보를 간과할 수 있습니다. 이러한 문제를 해결하기 위해 우리는 트로프 메모리 기반 진화적 트리 탐색과 변이를 통해 다양한 인과 경로를 탐구하는 다중 에이전트 파이프라인인 DraMaze를 제안합니다. 또한 이를 통해 역방향 서사 의존성 트리를 구축하여 역사적 기억을 체계적으로 정리하고 유지하며 필요 시 되찾아 활용할 수 있도록 합니다.

arXiv의 새로운 논문은 증거 검증과 가중치 업데이트가 필요 없는 프롬프트 수정을 지원하는, 추적 가능한 다모달 감정 추론 에이전트 프레임워크를 제안합니다.

2026년 10월 26일, arXiv는 사전인쇄 논문(번호 2610.31685v1)을 발표하며, 동결된 대규모 모델 기반의 추적 가능한 다중모달 감정 추론 지능체 아키텍처를 제안했습니다. 이 아키텍처는 모달별 전용 인지 지능체, 통합 지능체, MLLM 비판자 및 증거 검증 단계를 통해 오류 귀속과 프롬프트 공간의 자율적 최적화를 구현하며, MER2025 데이터셋에서 여러 개방형 다중모달 대규모 모델(2B–38B 파라미터)의 감정 인식 F-스코어를 0.6~2.2점 향상시켰습니다.

추천 이유：이 연구는 현재 다중 모달 감정 추론 시스템에서 명령 미세조정 비용의 높음과 에이전트 파이프라인의 디버깅 불가능성 간의 모순을 해결하기 위해, 증거 인용, 확실성 검증, 실패 귀인 및 타깃형 프롬프트 수정을 통합한 최초의 전 과정 설명 가능한 프레임워크를 제안한다. 모든 개선 사항은 모델 가중치를 변경하지 않으며, 네 가지 서로 다른 규모의 오픈소스 MLLM에서 실증적으로 효과를 입증하여 방법론적 혁신성과 공학적 실용성을 갖추고 있다.

Permission to Retry: A Study of Authorization and Recovery in AI Agent Workflows

arXiv:2610.31916v1 Announce Type: new Abstract: A durable agent can resume a consequential action while its authority changes and the action's external outcome remains uncertain. We study execution-time reliability of tool-using AI agents, isolating recovery decisions from language-model behavior. Checkpoint state, permission to dispatch, evidence of an external effect and permission to reconcile are distinct obligations. We present a finite conformance study that checks these obligations through histories scored against a provider effect ledger hidden from the recovering application. A prospectively frozen campaign executes 336 histories on native LangGraph and Temporal hosts, crossing 14 schedules, three provider contracts and four matched application policies. All 168 paired host cells

Understanding Communication Failures in Multi-Agent LLM Systems

arXiv:2610.32060v1 Announce Type: new Abstract: Multi-agent LLM systems aim to improve reasoning through debate, evidence sharing, and mutual correction, but interaction can also introduce failures that final accuracy alone cannot explain. Agents may converge too early, ignore dissent, suppress correct minority answers, or preserve a wrong framing across rounds. We present a corpus-grounded taxonomy of communication failures, built from 3,211 failed multi-round trajectories across medical QA, coding, finance, multi-hop reasoning, ethics, and embodied text tasks. Using this taxonomy, we analyze failure distributions across datasets and system designs, round-level error dynamics, recovery hardness, majority transitions, minority-signal suppression, and self-reported confidence. We find that