이 연구는 에이전트가 안전 필수 애플리케이션에 빠르게 도입되는 상황에서, 모델의 내부 표현이 최종 과제 성공을 예측하는 더 강력한 신호를 제공하는지 조사했다. 연구진은 상호작용 궤적 전반의 잔차 스트림 표현 변화를 요약하는 잠재 궤적 동역학(LTD)과, 행동 결정 시점의 표현으로 성공을 예측하는 행동 표현 프로브(ARP) 두 가지 방법을 제안했다. Bash, SQL, Python 세 가지 상호작용 벤치마크와 Qwen14B, Qwen7B, DeepSeek6.7B 세 모델군에서 실험한 결과, 두 방법 모두 표면적 생성이나 시퀀스 기반 보정 베이스라인을 일관되게 능가했다. 이는 프롬프트 수정이나 다중 샘플링 없이도 제로 오버헤드로 에이전트 신뢰성을 모니터링할 수 있음을 보여준다.

• •내부 표현 기반 LTD와 ARP 두 가지 신뢰도 측정 방법 제안
• •Bash·SQL·Python 벤치마크와 3개 모델군에서 기존 베이스라인을 일관되게 능가
• •프롬프트 수정이나 다중 샘플링 없이 제로 오버헤드로 동작하는 신뢰성 모니터 구현
• •에이전트의 계획·도구 호출 등 복잡한 실패 양상에 대응하는 확신도 측정 기법