LLM의 훈련-배포 분리로 인해 배포 후 학습이 중단되는 한계를 해결하는 CASCADE 프레임워크를 제안합니다. 배포 시간 학습(DTL)을 모델 파라미터 수정 없이 에이전트가 배포 중 경험으로부터 개선될 수 있는 LLM 생애주기 3단계로 공식화합니다. CASCADE는 명시적이고 진화하는 에피소드 메모리를 갖추고, 경험 재활용을 문맥 밴딧 문제로 공식화하여 탐색-활용 균형을 원칙에 입각해 처리합니다. 의료 진단, 법률 분석, 코드 생성 등 16개 다양한 과제에서 제로샷 대비 20.9% 성공률 향상을 달성했습니다.

• •CASCADE는 모델 파라미터 수정 없이 에이전트가 배포 중 경험으로부터 개선할 수 있는 배포 시간 학습(DTL)을 LLM 생애켜이클의 3단계로 공식화한다.
• •경험 재활용을 문맥 밴딧 문제로 공식화하여 노 리그렛 보장을 수립하고 에이전트가 과제 관련 사례를 축적·선택·정제하여 실행 가능한 지식으로 전환한다.
• •의료 진단, 법률 분석, 코드 생성, 웹 검색, 도구 사용, 체화 인터랙션 등 16개 다양한 과제에서 제로샷 프롬프팅 대비 거시 평균 성공률 20.9% 향상을 달성했다.
• •그레디언트 기반 및 메모리 기반 반다선기보다 일관되게 우수하여 배포를 적응형 학습 프로세스로 재해석하는 기반을 제시한다.