요약: 재귀형 대규모 언어 모델(LLM) 에이전트는 분해, 실행 및 환경 피드백을 통해 장기적 목표를 달성하는 과제를 해결한다. 그러나 원자적 하위 작업을 생성한 뒤에는 종종 익숙한 명령어를 실행 가능한 행동으로 변환하기 위해 다시 동일한 대규모 모델을 호출한다. 우리는 고수준 계획은 과제마다 특화되는 반면, 최하위 수준의 행동 구체화는 과제 간에 반복적으로 사용되며 환경에서 허용된 행동들과 비교·검증할 수 있다는 점을 관찰했다. 이에 우리는 리프스킬(LeafSkill)을 제안한다. 리프스킬은 의미적으로 관련된 구체화 경험을 검색하고, 행동 템플릿을 현재 객체와 허용 가능한 행동에 연결하며, 경량형 17억 개의 선택자를 활용해 연결된 행동을 선택하거나 변경되지 않은 하위 작업을 원래 에이전트로 위임한다. 이러한 스킬은 모델 파라미터 외부에 유지되므로, 고정된 선택자가 사후 학습 단계에서 추가된 내용을 활용할 수 있다. 어휘적·구문적 변형 상황에서도 정확 매칭은 참조 행동 중 하나도 검색하지 못하는 반면, 의미 기반 검색은 후보 행동의 96.0%와 97.0%를 보존하며, 고정된 선택자는 미사용 스킬 유형의 97.34%를 채택한다. 독립적인 확인 세트인 로보투일(Robotouille) 과제 200개에서 리프스킬은 ReCAP보다 137개의 과제를 완료하여 68.5% 대 60.5%의 성공률을 보였고, 두 모델 모두 완료한 106개 과제에서는 Qwen3.5-27B의 토큰 사용량을 14.42%, 호출 횟수를 14.08% 각각 감소시켰다. 별도로 추출한 테스트 세트에서도 일관된 9.0점의 성공률 향상과 18.98%의 토큰 절감 효과가 확인되었다. 따라서 재사용 가능한 최하위 수준의 행동 구체화는 고수준 계획을 대체하지 않으면서도 호스트 모델의 추론 부하를 줄이고 과제 완료율을 향상시킬 수 있다.
제출 기록
Access Paper:
PDF 보기
HTML(실험적)
TeX 소스
추가 기능
오디오 요약
현재 탐색 컨텍스트:
참고문헌 및 인용
구글 학술 검색
시멘틱 스콜라
북마크
기관
arXivLabs는 협업자가 당사 웹사이트에서 새로운 arXiv 기능을 직접 개발하고 공유할 수 있도록 하는 프레임워크입니다.
arXivLabs와 협력하는 개인과 조직 모두는 개방성, 커뮤니티, 탁월성, 그리고 사용자 데이터 프라이버시라는 당사의 가치를 수용하고 이를 준수해 왔습니다. arXiv은 이러한 가치에 전념하며, 이들 가치를 준수하는 파트너들과만 협력합니다.
arXiv 커뮤니티에 가치를 더할 프로젝트 아이디어가 있으신가요? arXivLabs에 대해 자세히 알아보세요.