LLM 에이전트는 새로운 독립적 증거를 얻지 않고도 그래프상의 더 많은 경로를 따라갈 수 있는데, GraphEcho는 에이전트가 이런 반복적 경로 재방문을 추가 증거로 착각하는지 검증하는 벤치마크다. 증거 내용은 고정한 채 경로 수와 증거 출처만 변화시켜 판단과 능동 탐색을 함께 평가한 결과, 통제된 합성 실험에서 판단은 모델마다 다르게 변했지만 중복 경로가 늘수록 반복 방문 비율이 모든 고정형(frozen) 에이전트에서 증가했다. 출처를 고려하도록 후속 학습한 PAPT(Provenance-aware post-training)는 재방문을 줄이고 합성 데이터 정확도를 높였지만 다루는 고유 출처 수는 오히려 줄었고, 실제 과학 주장에서는 반복은 계속 줄였지만 정확도는 오히려 떨어졌다. 이는 효율적 탐색과 효과적 증거 활용 사이에 간극이 있음을 보여준다: 에이전트가 스스로 반복을 멈추는 법은 배우지만 정작 필요한 정보는 놓칠 수 있다.

• •GraphEcho 벤치마크로 LLM 에이전트가 경로 재방문을 추가 증거로 착각하는지 검증
• •중복 경로가 늘어날수록 모든 평가 대상 에이전트에서 반복 방문 비율 증가
• •출처 인지 후속학습(PAPT)은 합성 데이터에서 재방문 감소·정확도 향상을 보이나 다루는 출처 수는 감소
• •실제 과학 주장 평가에서는 PAPT가 반복은 줄여도 정확도는 오히려 하락