다중 에이전트 LLM 시스템은 서로 다른 관점을 모아 추론 성능을 높일 수 있지만, 각 에이전트가 정답에 필요한 증거의 일부만 보유하는 '숨겨진 프로필' 상황에서는 소통 조율이 성패를 좌우한다. 고정 일정, 라운드로빈 교환, 비구조적 토론 같은 기존 프로토콜은 특정 발언 행동이 적절한지 보장하지 못한다. 저자들은 매 턴마다 불확실성·의견불일치·증거이득·중복성·조기합의 등을 압축한 상태를 요약해 소통 개입(도전·명확화·증거요청·라우팅)과 발언자를 선택하는 추론 시점 오케스트레이션 프레임워크 Consilience를 제안한다. 핵심은 라운드 단위 등각 보정 절차로, 각 토론 라운드에서 통제기의 제안 행동에 대한 1스텝 리그렛이 최소 1-α의 확률로 보정된 임계값 이내임을 분포 무관·유한표본으로 보장한다. 12개 공개·비공개 언어모델을 대상으로 한 HiddenBench류 과제에서 Consilience는 고정·비구조적 토론 프로토콜보다 의사결정 정확도와 소통 효율을 높였으며, 때로는 모든 에이전트가 전체 증거를 관찰하는 완전정보 기준선을 능가했다.
- •숨겨진 프로필(각 에이전트가 증거 일부만 보유) 환경에서 다중 에이전트 LLM 소통 조율 문제 해결
- •Consilience: 불확실성·의견불일치·증거이득 등을 요약한 상태로 소통 개입(도전/명확화/증거요청/라우팅)과 발언자 선택
- •라운드별 등각 보정으로 통제기 제안 행동의 리그렛을 분포무관·유한표본으로 1-α 확률 보장
- •12개 공개·비공개 LLM 대상 HiddenBench류 과제에서 고정/비구조적 프로토콜보다 정확도·효율 향상
- •일부 경우 모든 에이전트가 전체 증거를 보는 완전정보 기준선마저 능가
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.
Consilience: Conformally Calibrated Communication Control for Hidden-Profile Multi-Agent Reasoning
- 1.Consilience, 히든프로파일 멀티에이전트 LLM 추론에서 대화개입·발언자를 동시 선택하는 오케스트레이션 제안
- 2.불확실성·의견불일치·증거이득·중복성·조기합의를 압축 상태로 요약해 매 턴 통제
- 3.라운드별 컨포멀 보정으로 분포무관·유한샘플 확률보장(1-alpha) 제공이 핵심 기여
- 4.12개 모델 대상 HiddenBench 과제서 고정·비구조적 토론 대비 정확도·효율 개선
왜 중요한가?
각 에이전트가 정보 일부만 가진 분산 환경에서 멀티에이전트 LLM 협업의 신뢰성을 통계적으로 보장해, 실서비스 적용 시 정확도-효율 트레이드오프에 실질적 해법을 준다.
언급 프로젝트
본문 미리보기
arXiv:2608.20564v1 Announce Type: new Abstract: Multi-agent LLM systems can improve reasoning by pooling diverse perspectives, but their effectiveness depends on coordinating communication, particularly in hidden-profile settings where each agent holds only part of the evidence required for a correct decision. Existing protocols, including fixed schedules, round-robin exchange, and unstructured debate, provide no guarantee that a conversational action is appropriate. We propose Consilience, an
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:40AI 초안
![[AI리더의 서가] Agentic AI 구축 개발의 모든 것](https://cdn.aitimes.com/news/photo/202610/215958_219938_244.jpg)
