Looped Language Models Improve Compositional Tool Calling | AIChainDay

한국어 요약by Claude · 2026. 8. 22.

이 연구는 루프형(looped) 언어모델이 추론 벤치마크에서 좋은 성과를 보였지만 에이전틱 도구 사용 능력은 거의 탐구되지 않았다는 점에 착안해, 여러 API 호출을 조율하고 중간 상태를 유지하며 도구 간 의존성을 보존해야 하는 조합적 도구 호출 상황에서 이를 검증했다. API-Bank, BFCL, NESTful 벤치마크에서 네이티브 및 개조된 루프형 언어모델을 동일한 지도 미세조정 레시피로 학습한 비루프형 모델과 비교하고, 추론 시점의 순환 깊이를 조절하며 실험했다. 그 결과 순환 연산은 조합적이고 의존성 인식이 필요한 도구 사용에는 대체로 도움이 됐지만 단일 API 호출에서는 이득이 더 작고 모델별 편차가 컸다. 다단계 도구 사용 정확도는 순환 깊이가 커질수록 대체로 향상됐으며, 적응형 추론은 필요할 때만 추가 연산을 배분해 더 유리한 연산-성능 트레이드오프를 달성했다. 이는 루프형 언어모델이 신뢰할 수 있는 계획·조율·실행이 필요한 에이전틱 시스템에 유망한 아키텍처임을 시사한다.

•루프형 언어모델의 에이전틱 도구 사용 능력을 API-Bank, BFCL, NESTful로 검증
•순환 연산은 조합적·의존성 인식 도구 사용에 도움, 단일 API 호출 이득은 더 작고 모델별 편차 큼
•다단계 도구 사용 정확도는 순환 깊이 증가에 따라 대체로 향상
•적응형 추론이 필요한 만큼만 연산을 배분해 더 나은 연산-성능 트레이드오프 달성

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.

AI2026년 8월 20일AI 점수: 90%

Looped Language Models Improve Compositional Tool Calling

출처:arXiv cs.AI

AI 인사이트

개발자

1.루프형(loop) 언어모델의 복합 도구 호출 성능을 API-Bank·BFCL·NESTful 3개 벤치마크로 평가
2.다단계 API 조율·상태 유지가 필요한 복합 작업에서 순환 연산(recurrent computation)이 성능 향상에 기여함을 확인
3.단일 API 호출에서는 이득이 작고 모델별 편차가 컸으며, 적응형 추론이 고정 깊이보다 연산 대비 효율이 더 좋음

왜 중요한가?

다중 도구 호출을 조율해야 하는 에이전트 시스템에서, 무작정 반복 연산을 늘리기보다 필요할 때만 추가 연산을 배분하는 적응형 방식이 더 실용적임을 실험으로 보여준다.

본문 미리보기

arXiv:2608.18171v1 Announce Type: new Abstract: Looped language models have shown promising results on reasoning benchmarks, yet their potential for agentic tool use remains largely unexplored. We study this question in compositional tool-calling settings, where models must coordinate multiple API calls, maintain intermediate state, and preserve dependencies across tool interactions. We evaluate native and retrofitted looped language models on API-Bank, BFCL, and NESTful, comparing looped and n

전체 내용이 궁금하다면?

원문을 직접 읽어보세요

원문 보기