LLM 에이전트의 다단계 태스크 수행에서 반복·드리프트·막힘 같은 추론 퇴화가 어려운 태스크의 최대 30%까지 발생한다. 이 논문은 Cognitive Companion 병렬 모니터링 아키텍처를 제안 — LLM 기반 Companion과 새로운 제로 오버헤드 Probe 기반 Companion 2가지 구현. Gemma 4 E4B 중심 3회 실험에서 LLM Companion이 루프 발생 태스크 반복 52~62% 감소(오버헤드 11%), Probe Companion은 히든 스테이트 28층 학습으로 오버헤드 0에 AUROC 0.840 달성. 단, 소형(1~1.5B) 모델은 효과 미미.
- •LLM 에이전트 추론 퇴화(반복·드리프트·막힘) 최대 30%
- •Cognitive Companion 병렬 모니터링 아키텍처 제안
- •LLM Companion: 루프 태스크 반복 52~62% 감소(오버헤드 11%)
- •Probe Companion: 제로 오버헤드 + AUROC 0.840
- •1~1.5B 소형 모델에선 효과 약함 — 스케일 경계 존재
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
The cognitive companion: a lightweight parallel monitoring architecture for detecting and recovering from reasoning degradation in LLM agents
- 1.LLM 에이전트 추론 퇴화 감지·복구 병렬 모니터링
- 2.Probe 기반은 제로 오버헤드로 고정확도 감지 가능
- 3.Companion 효과는 태스크·스케일 의존 — 선택 활성 제안
왜 중요한가?
에이전트가 장시간 작업할 때 '멈춤·드리프트' 문제는 프로덕션 배포의 주 장애. 병렬 모니터링 아키텍처와 제로 오버헤드 프로브는 해당 문제를 직접 겨냥.
본문 미리보기
arXiv:2604.13759v1 Announce Type: new Abstract: Large language model (LLM) agents on multi-step tasks suffer reasoning degradation, looping, drift, stuck states, at rates up to 30% on hard tasks. Current solutions include hard step limits (abrupt) or LLM-as-judge monitoring (10-15% overhead per step). This paper introduces the Cognitive Companion, a parallel monitoring architecture with two implementations: an LLM-based Companion and a novel zero-overhead Probe-based Companion. We report a thre
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 15:12AI 초안
