WORC는 멀티 에이전트 추론에서 개별 에이전트의 오류가 협업을 통해 증폭되는 불안정성을 약점 보강 원리로 해결하는 프레임워크. 2단계 구성: (1) 메타학습 기반 weight predictor가 에이전트 성능 가중치를 제로샷 예측해 '약한 에이전트' 식별 (2) 불확실성 기반 할당으로 약한 에이전트에게 반복 샘플링 할당 증대. 추론 벤치마크에서 평균 82.2% 정확도, 프레임워크 안정성과 아키텍처 교차 일반화 향상.
- •멀티 에이전트 불안정성을 '약한 링크' 보강으로 해결 WORC
- •메타학습 weight predictor로 약한 에이전트 제로샷 식별
- •불확실성 기반 할당: 약할수록 더 많은 반복 샘플링
- •추론 벤치마크 평균 82.2% 정확도
- •강점 강화보다 약점 보강이 더 효과적임을 실증
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.
Weak-Link Optimization for Multi-Agent Reasoning and Collaboration
- 1.약한 에이전트 보강이 멀티 에이전트 안정성의 핵심
- 2.강한 에이전트 강화보다 약점 보완이 더 큰 효과
- 3.실행시 자원 할당 가이드 제공
왜 중요한가?
멀티 에이전트 시스템의 확산에서 '약한 링크'가 전체 성능 좌우. 이 원리는 에이전트 팀 설계의 기본 원칙이 될 수 있다.
언급 프로젝트
본문 미리보기
arXiv:2604.15972v1 Announce Type: new Abstract: LLM-driven multi-agent frameworks address complex reasoning tasks through multi-role collaboration. However, existing approaches often suffer from reasoning instability, where individual agent errors are amplified through collaboration, undermining overall performance. Current research mainly focuses on enhancing high-capability agents or suppressing unreliable outputs to improve framework effectiveness, while systematic identification and reinfor
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:32AI 초안

