여러 파운데이션 모델을 한데 묶는다고 곧바로 집단지능이 생기는 것은 아니다. J. de Curtò와 I. de Zarzà는 협업 구조 자체와 참여 모델의 다양성 가운데 무엇이 실제 성능 향상을 만드는지 분리해 살폈다. 이 연구는 독립적인 풀이 초안, 비평과 수정, 최종 합의를 단계화한 멀티에이전트 체계를 제안한다. arXiv에는 2026년 7월 6일 제출됐으며, Springer의 Learning and Analytics in Intelligent Systems 시리즈에 실릴 책의 장으로 채택됐다고 명시됐다.
체계 안에서 여러 솔버 모델은 같은 문제에 독립적으로 답안을 만든다. 각 답안은 비평 에이전트의 구조화된 검토를 거쳐 수정되고, 집계 에이전트가 이를 최종 합의안으로 합친다. 별도 채점 모듈은 의미적 정확성뿐 아니라 수치와 절차도 평가한다. 연구진은 미적분, 물리, 화학, 생물학, 경제학, 최적화, 통계학, 수학을 아우르는 벤치마크에서 구성 요소를 제거하는 실험을 진행했다.
비교 대상은 단일 모델, 한 모델을 공유하는 동질적 체계, 같은 모델 인스턴스를 여러 개 둔 중복 동질 솔버, 서로 다른 전문 모델을 결합한 이질적 체계 등 네 가지다. 논문은 구조화와 반복 샘플링만으로도 소폭 개선되지만, 큰 폭의 향상을 이끈 요인은 모델 이질성이라고 보고한다. 이질 구성의 단계별 정확도는 0.64로 개별 모델의 0.54보다 높았고, 동질 구성 대비 2.3배의 개선으로 표현됐다. 범주와 난도에 따른 분산도 줄었다.
중간 단계의 오류를 서로 다른 모델이 보완한다는 관찰은 결과만 맞히는 시스템보다 감사와 설명이 가능한 협업형 AI 설계에 의미가 있다. 그러나 제시된 수치는 연구진이 구성한 다분야 벤치마크와 네 설정에 한정된다. 모델 조합 비용, 지연시간, 집계기가 잘못된 합의를 만드는 조건은 초록에서 다뤄지지 않는다. 출판 예정 원고라는 상태를 고려해 실제 산업 의사결정에 적용하기 전 과업별 재현과 안전성 평가가 필요하다.
원문: arXiv 2607.07729
저작권자 © STORIUM 무단전재 및 재배포 금지
