๋๋ฃ์ฌ์ฌ ์ ์ฌ์ ๋ ผ๋ฌธ ยท ๋น๊ณต๊ฐ ๊ฒ์๋ณธ. ์์ ๋ชจ๋ธ์ ๋ด๋ถ ํํ์ผ๋ก ํฐ ๋ชจ๋ธ์ ์์ ์ ๋๊ธธ ์์ ์ ํ๋จํ๋ ์ฐ๊ตฌ๋ค. ์๋ ์ฑ๋ฅยท๋น์ฉ์ ๋ ผ๋ฌธ์ ํน์ ๋ฒค์น๋งํฌ ๊ตฌ์ฑ ๊ฒฐ๊ณผ์ด๋ฉฐ ํ์ฌ ์๋น์ค ๊ฐ๊ฒฉ์ด๋ ์ด ๋ธ๋ก๊ทธ ์ด์ ๋น์ฉ์ ์ธก์ ํ ๊ฐ์ด ์๋๋ค.
์ ์ ๊ธฐ๋ก๊ณผ ์๋ฌธ ์ด๋ ๋ฒ์
๊ธฐ์ค์ผ 2026-10-19 KST, ์์ 3, ์ ์ 86/100, EARLY_SIGNAL. arXiv v1์ ๋ฐฉ๋ฒยท๊ด๋ จ ์คํยท๋ถ๋ก ์ ํ ๊ตฌ๊ฐ๊ณผ ๊ธฐ์กด ๊ฒ์ ๋ฉ๋ชจ๋ฅผ ๋์กฐํ๋ค. ์ ์ฒด ๋ํยท์ฝ๋ ์คํ๊ณผ ๋ ๋ฆฝ ์ฌํ์ ๋ฏธ์๋ฃ๋ค.
#๊ธฐ๋ก ํ๋
- rank: 3
- contentId:
2026-10-19-leash-agent-escalation - status:
BACKLOG_CANDIDATE - title:
LEASH: Uncertainty-Aware Weak-to-Strong Escalation and Oversight for Computer-Use Agents - normalizedTitle:
leash uncertainty aware weak to strong escalation and oversight for computer use agents - date:
2026-10-15T17:40:12Z - venue:
arXiv preprint (cs.AI) - DOI: ํ์ธ๋์ง ์์
- arxivId:
2610.22280 - officialUrl:
https://arxiv.org/abs/2610.22280 - evidenceGrade:
EARLY_SIGNAL - score:
86 = 18+14+19+18+8+9, ๊ฐ์ 0. ์ฌ์ ๋ ผ๋ฌธ์์ ํ์ ๊ฒฐ๊ณผ๋ก ํ๋ํ์ง ์๋๋ค. - oneSentenceConclusion: ์ฝํ ์์ด์ ํธ์ hidden state๋ฅผ ๊ณผ๊ฑฐ ์ฑ๊ณตยท์คํจ ๊ถค์ ๊ณผ ๋น๊ตํด ๊ฐํ ๋ชจ๋ธ ํธ์ถ๊ณผ ์ฌํ ๊ฐ์๋ฅผ ๊ฒฐ์ ํ๋ training-free routing ์ ํธ๋ฅผ ์ ์ํ๋ค.
- whyItMatters: ๋งค ๋จ๊ณ ์ต์์ ๋ชจ๋ธ์ ์ฐ๋ ๋น์ฉ๊ณผ ์์ ๋ชจ๋ธ ๋จ๋ ์ด์ฉ์ ์คํจ ์ฌ์ด๋ฅผ ๋ค๋ฃฌ๋ค.
- keyDifference: ์ด๊ธฐ routing, ์คํ ์ค escalation, handoff ๋ค shadow observer๋ฅผ ๊ฐ์ latent uncertainty๋ก ์ฐ๊ฒฐํ๋ค.
- strongestEvidence: ์ ์ ์ด๋ก์ OSWorld ๋ค backbone์์ ๊ฐ์ escalation rate์ random routing๋ณด๋ค 6.55~11.94 percentage points ๋์๋ค๊ณ ๋ณด๊ณ ํ๋ค.
- metrics: Qwen3.5-35B-A3B ์กฐํฉ 73.66% success, $0.4117/task; ํญ์ Claude Opus 5 ์ฌ์ฉ 72.90%์ ๋น๊ตํด ๋น์ฉ 19.2% ๊ฐ์๋ผ๋ ์ ์ ๋ณด๊ณ .
- limitations: ๋๋ฃ์ฌ์ฌ ์ , OSWorld ์ค์ฌ, ๋น์ฉ ์ฐ์ ๊ณผ ๋ชจ๋ธ ๋ฒ์ ยทtask ๊ตฌ์ฑ์ ์ธ๋ถ ๊ฒ์ฆ ๋ฏธํ์ธ, hidden-state ์ ๊ทผ ๊ฐ๋ฅํ weak model ํ์, ๋๋ฉ์ธ ์ด๋ ์ ๋ถํ์ค์ฑ ์ ์ด ๋ฏธ๊ฒ์ฆ.
- conflictsOfInterest: ํ์ธ๋์ง ์์
- codeAvailable: ์ด๋ก ํ์ด์ง์์ ํ์ธ๋์ง ์์
- dataAvailable: OSWorld ์ฌ์ฉ ์ธ ์ ๊ท ๋ฐ์ดํฐ ๊ณต๊ฐ๋ ํ์ธ๋์ง ์์
- sourceLocators: arXiv v1 ยง3 ๋ฐฉ๋ฒ, ยง4 ์คํ๊ณผ ๊ตฌ์ฑ์์ ๋น๊ต, Appendix AโB์ ์ฐธ์กฐ ์๋ฃยท๋ณด์ ยท๋น์ฉ ์ค์ ; ์ ์ถ ์๊ฐ์ ์์ง์ ๋ณด.
- revisitTriggers: peer review, ๋ ๋ฆฝ ์ฌํ, ์ฝ๋ยทtrajectory ๊ณต๊ฐ, ๋ค๋ฅธ ์ปดํจํฐ ํ๊ฒฝ ๊ฒ์ฆ, ๋น์ฉ ๊ธฐ์ค ๊ฐ์ฌ.
#ํ ๋ฌธ์ฅ ๊ฒฐ๋ก
LEASH๋ โ์์ ๋ชจ๋ธ์ด ๋ง์ค์ผ ๋ ํฐ ๋ชจ๋ธ์ ๋ถ๋ฅธ๋คโ๋ฅผ ๋ด๋ถ ํํ ๊ธฐ๋ฐ์ผ๋ก ๊ตฌํํ์ง๋ง, ์์ง OSWorld์์ ์ ์๋ค์ด ํ๊ฐํ ๋๋ฃ์ฌ์ฌ ์ ๊ฒฐ๊ณผ๋ค. ๋ณ๋ ๊ฐ์ ๋ชจ๋ธ์ ์๋ก ํ์ต์ํค์ง ์๋๋ค๋ ๋ป์ด์ง, ์ค๋น ๋ฐ์ดํฐ๋ ๋ณด์ ๊ณผ์ ์ด ์๋ค๋ ๋ป์ ์๋๋ค.
#์ค์์ฑยท์ฐจ์ด
์ปดํจํฐ ์ฌ์ฉ ์์ด์ ํธ๋ ์์ ์ด ๊ธธ์ด์ง์๋ก ์์ ์ค์๊ฐ ๋์ ๋๋ค. ํญ์ ๊ฐํ API ๋ชจ๋ธ์ ์ฐ๋ฉด ๋น์ธ๊ณ , ์์ ์คํ ๋ชจ๋ธ๋ง ์ฐ๋ฉด ์คํจ์จ์ด ๋๋ค. ๊ธฐ์กด random escalation๊ณผ ๋ฌ๋ฆฌ LEASH๋ ์ฝํ ๋ชจ๋ธ์ ํ์ฌ ํํ์ด ๊ณผ๊ฑฐ ์คํจ ๊ถค์ ์ ์ผ๋ง๋ ๊ฐ๊น์ด์ง๋ฅผ ๋ณด๊ณ ์ํฅ ์ฌ๋ถ๋ฅผ ์ ํ๋ค. ์ธ๊ณ ๋ค์๋ ์ฝํ ๋ชจ๋ธ์ shadow observer๋ก ๋จ๊ฒจ ๊ฐํ black-box ์์ด์ ํธ๋ฅผ ๊ฐ์ํ๋ค.
#์ ์๋ โ์คํจ ํ๋ฅ โ์ด ์๋๋ค
์จ์ ์ํ(hidden state)๋ ๋ชจ๋ธ์ด ์ ๋ ฅ๊ณผ ์คํ ์ด๋ ฅ์ ์ฒ๋ฆฌํ๋ฉฐ ๋ง๋ ๋ด๋ถ ์ซ์ ๋ฒกํฐ๋ค. LEASH๋ ๊ณผ๊ฑฐ ์ฑ๊ณตยท์คํจ ์คํ์ ๋ฒกํฐ๋ฅผ ๋ฐ๋ก ๋ชจ์ ๋น๊ต ๊ธฐ์ค์ ๋ง๋ ๋ค. ยง3.2 ์ 2โ3์ ์๋์ฒ๋ผ ๊ธฐํธ๋ฅผ ์ค์ฌ ์ฝ์ ์ ์๋ค. ์๋ฌธ์ ์ฑ๋ ์ฒจ์ c๋ ์๋ตํ์ง๋ง, ์ค์ ๋ก๋ ์ต์ด ์ง๋ฌธ๊ณผ ์คํ ํ๋์ ๊ธฐ์ค ์๋ฃ๋ฅผ ๋ฐ๋ก ์ฌ์ฉํ๋ค.
z๋ ๊ธฐ์ค ์๋ฃ๋ก ํ์คํํ ํ์ฌ ๋ฒกํฐ, ฮผy๋ ์ฑ๊ณต ๋๋ ์คํจ ์ง๋จ์ ์ค์ฌ์ด๋ค. ฮฃฮป๋ ๋ ์ง๋จ์ด ๊ณต์ ํ๋ ๊ณต๋ถ์ฐ ์ถ์ ์น์ ์์ ์ ๊ทํ ํญ์ ๋ํ ํ๋ ฌ์ด๋ค. ์ญํ๋ ฌ์ ๋ฒกํฐ์ ๊ฐ ๋ฐฉํฅ์ด ์ผ๋ง๋ ํํ๊ฒ ๋ณํ๋์ง๋ฅผ ๊ฑฐ๋ฆฌ ๊ณ์ฐ์ ๋ฐ์ํ๋ค. ์ด ํํ๊ณผ ์ ์๋ ๋ฌด์ฐจ์์ด๋ค. ์คํจ ์ค์ฌ๊น์ง ๋ ๊ฐ๊น๋ค๋ฉด ๋ ๋ฒ์งธ ๊ฑฐ๋ฆฌ๊ฐ ์์์ ธ u๊ฐ ์ปค์ง๋ ๋ฐฉํฅ์ด๋ค. u๊ฐ 0.8์ด๋ผ๊ณ ํด์ ์คํจ ํ๋ฅ 80%๋ผ๋ ๋ป์ ์๋๋ค. ๋ชจ๋ ๊ธฐ์ค์์ ๋ฉ๋ฆฌ ๋จ์ด์ง ์ ํ๊ฒฝ์ ์ด ์๋ ์ ์ ํ๋๋ก ์ถฉ๋ถํ ํ๋ณํ๋ค๊ณ ๋ ๋ณด์ฅํ์ง ์๋๋ค.
๊ณต๋ถ์ฐ์ ์ฌ๋ฌ ์ซ์๊ฐ ๊ฐ๊ฐ ์ผ๋ง๋ ํ๋ค๋ฆฌ๊ณ ํจ๊ป ๋ณํ๋์ง๋ฅผ ๊ธฐ๋กํ ๊ฒ์ด๋ค. ์ด๋ฅผ ๋ฐ์ํ๋ ์ด์ ๋ โ์ซ์ ์ฐจ์ด๊ฐ ํฌ๋คโ์ โํ์์ ๋น๊ตํด ์ด๋ก์ ์ด๋คโ๊ฐ ๊ฐ์ง ์๊ธฐ ๋๋ฌธ์ด๋ค. ๊ฐ์ ๊ณ์ฐ ์์ ๋ก ํ ๋ฐฉํฅ๋ง ๋จ๊ฒจ ๋ณด์. ์ค์ฌ์์์ ์ฐจ์ด๊ฐ 2์ด๊ณ ๋ถ์ฐ์ด 4๋ผ๋ฉด ์ ๊ณฑ๊ฑฐ๋ฆฌ๋ 2ยฒ/4=1์ด๋ค. ๊ฐ์ ์ฐจ์ด 2๋ผ๋ ๋ถ์ฐ์ด 1์ด๋ฉด ์ ๊ณฑ๊ฑฐ๋ฆฌ๋ 4๊ฐ ๋๋ค. ํ์ ๋ณ๋์ด ์์ ๋ฐฉํฅ์ ๊ฐ์ ์ฐจ์ด๋ฅผ ๋ ์ด๋ก์ ์ผ๋ก ์ธ๋ ๊ฒ์ด๋ค. ์ด๋ ์์ ์ฝ๊ธฐ ์ํ ๋จ์ํ์ด๋ฉฐ ๋ ผ๋ฌธ์ ์ค์ ๋ฒกํฐยท์ธก์ ๊ฐ์ด ์๋๋ค. ์ค์ ๋ค์ฐจ์ ๊ณ์ฐ์์๋ ๋ฐฉํฅ ์ฌ์ด์ ์๊ด๋ ํจ๊ป ๋ฐ์ํ๋ฏ๋ก ๊ฐ ์ซ์๋ฅผ ๋ฐ๋ก ๋๋๋ ๊ฒ๋ง์ผ๋ก ๋๋์ง ์๋๋ค.
ยง3.3์ ๊ธฐ์ค ์คํ์ ์์ ๋ณ ์ต๋ ํ๋ ์ ์๋ก ์๊ณ๊ฐ์ ์ ํ๋ค. ์ด๋ ํ ๋จ๊ณ๋ง ๊ธฐ์ค์ ๋์ด๋ ์์ ์ ์ธ๊ณํ๋ฏ๋ก, ๋จ๊ณ๋ฅผ ๊ฐ๊ฐ ๋ ๋ฆฝ ํ๋ณธ์ฒ๋ผ ์ธ๋ ๊ฒ๊ณผ ๋ค๋ฅด๋ค. ๋ณด์ ์๋ฃ์์ ๊ฒจ๋ฅํ ์ํฅ ๋น์จ๊ณผ ์ค์ ํ๊ฐ์์ ๊ด์ธกํ ๋น์จ๋ ์ผ์นํ๋ค๊ณ ๋ณด์ฅํ์ง ์๋๋ค.
ํ์ธ ์ง๋ฌธ: ๊ธด ์์ ์์ ๋จ๊ณ๋ณ ์์ 10%๋ง ๋๊ธฐ๋ฉด ์ ์ฒด ์์ ์ 10%๋ง ์ํฅ๋ ๊น? ํด์ค: ์๋๋ค. ํ ์์ ์์์ ๊ธฐ์ค์ ๋์ ๊ธฐํ๊ฐ ์ฌ๋ฌ ๋ฒ ์๊ธด๋ค. ๊ทธ๋์ ๋ ผ๋ฌธ์ ๊ฐ๋ณ ๋จ๊ณ๊ฐ ์๋ ์์ ๋ณ ์ต๋๊ฐ์ผ๋ก ๊ธฐ์ค์ ๋ง์ถ๋ค. 10%๋ ์ด ์ง๋ฌธ์ ์ํ ๊ฐ์ ๋น์จ์ด์ง ๋ ผ๋ฌธ ์ฑ๋ฅ๊ฐ์ด ์๋๋ค.
#์ด๋ก ์ ์ด๋๊น์ง ๋ณด์ฅํ ๊น
ยง5์ ๋ช ์ ๋ ์์ ์ ์์ํ ๋ ํ ๋ฒ ๋๊ธธ์ง ์ ํ๋ ๊ฒฝ์ฐ๋ง ๋ค๋ฃฌ๋ค. ์ฑ๊ณตยท์คํจ ์ง๋จ์ ํํ์ด ๊ณตํต ๊ณต๋ถ์ฐ์ ๊ฐ์ง ์ ๊ท๋ถํฌ๋ฅผ ๋ฐ๋ฅด๊ณ , ์ ํด์ง ๋น์จ๋งํผ ์ ํํ ์ธ๊ณํ๋ค๋ ๊ฐ์ ์ด ์๋ค. ์ ์ฒด ์ฑ๊ณต๋ฅ ์ ์ต์ ํ์๋ ์ ์๊ฐ ๋์์๋ก ์ธ๊ณ์ ์ด๋๋ ์์์ง์ง ์๋๋ค๋ ์กฐ๊ฑด์ด ์ถ๊ฐ๋๋ค. ์์ ๋ชจ๋ธ๊ณผ ํฐ ๋ชจ๋ธ์ด ํจ๊ป ์ด๋ ค์ํ๋ ์์ ์์๋ ์คํจ ์ํ์ด ๋์๋ ์ธ๊ณ ์ด๋์ ์์ ์ ์๋ค. ์คํ ์ค ์ธ๊ณ์ Shadow ์ ์ฒด๊ฐ ์ต์ ์ด๋ผ๋ ์ฆ๋ช ์ ์๋๋ค.
๋ณด์ ์๋ฃ๋ฅผ ๋๋๋ ๋จ์๋ ์ค์ํ๋ค. ๋ถ๋ก A.2โA.3์ ๊ฐ์ ์์ ์ ๋ชจ๋ ๋จ๊ณ๋ฅผ ๊ฐ์ ๋ฌถ์์ ๋๋ ๊ต์ฐจ๊ฒ์ฆ์ ์ด๋ค. ํ ์์ ์ ๋ฎ์ ๋จ๊ณ๋ค์ ํ์ตยท๊ฒ์ฆ ์์ชฝ์ ํฉ์ผ๋ฉด ์ ์์ ์ ๊ตฌ๋ณํ๋ ๋ฅ๋ ฅ์ ๊ณผ๋ํ๊ฐํ ์ ์๊ธฐ ๋๋ฌธ์ด๋ค. ์จ์ ์ํ๋ฅผ ์ฌ์ฌ์ฉํ๋ค๋ ๋ง์ด ์ด๋ฐ ์๋ฃ ๋ถ๋ฆฌ ๊ฒ์ฌ๋ฅผ ์๋ตํด๋ ๋๋ค๋ ๋ป์ ์๋๋ค.
#์์น์ ๋น๊ต์กฐ๊ฑด
ํ๊ฐ๋ OSWorld 262๊ฐ ์์ ์ ์ฌ์ฉํ๋ค. ์ฑ๊ณตยท์คํจ ๊ถค์ ์ ๋ด์ ๋ณ๋ ์ฐธ์กฐ ์๋ฃ์ ์๊ณ๊ฐ ๋ณด์ ์ด ํ์ํ๋ฉฐ, shadow ์๊ณ๊ฐ ์ค์ ์๋ ํ๊ฐ ์์ ๊ณผ ๋ถ๋ฆฌ๋ 99๊ฐ ์์ ์ ์๋ฃ๊ฐ ์ฐ์๋ค. ์ฝํ ๋ชจ๋ธ์ ํํ์ด ๊ณผ๊ฑฐ ์คํจ์ ๋ฎ์๋์ง ํ๋จํ๋ ค๋ฉด ๋น๊ตํ ์ด๋ ฅ์ด ๋จผ์ ์์ด์ผ ํ๋ค.
LEASH์์๋ Claude Opus 5๊ฐ ๊ณํยทํ์๋ชฉํ ํ์ธ์ ๋งก๋ Manager๋ก๋ ๋์ํ๋ค. โํญ์ Opusโ ๊ธฐ์ค์ ์๋ ์ด Manager ๊ตฌ์ฑ์ด ์์ผ๋ฏ๋ก ๋ชจ๋ธ ํ๋์ ์ฐ์ด์ด ์๋ ์์คํ ๊ตฌ์ฑ ๋น๊ต๋ค. ๋น์ฉ์ OpenRouter ๊ธฐ์ค ๋จ๊ฐ๋ก ํ ํฐ ์ฌ์ฉ๋์ ํ์ฐํ ์ถ์ ์น์ด๋ฉฐ, LEASH์ Managerยท๊ฐ์ฝ ๋ชจ๋ธยทshadow ํธ์ถ์ ํฌํจํ๋ค. ์ค์ ๊ฒฐ์ ์ก์ด๋ ๋ก์ปฌ ํ๋์จ์ด ์ด์๋น๋ฅผ ์ธก์ ํ ๊ฐ์ ์๋๋ค.
6.55~11.94 ํฌ์ธํธ ํฅ์์ ๊ฐ์ escalation rate์ ๋ฌด์์ ์ํฅ๊ณผ ๋น๊ตํ ๊ฐ์ด๋ค. 73.66%์ 72.90%๋ ๊ฐ๊ฐ ํน์ QwenยทClaude ๊ตฌ์ฑ์ OSWorld ์ฑ๊ณต๋ฅ ์ด๋ฉฐ ์ผ๋ฐ์ ์ธ โ๋๋ฑ ์ฑ๋ฅโ์ผ๋ก ํ๋ํ๋ฉด ์ ๋๋ค. $0.4117/task์ 19.2% ๋น์ฉ ๊ฐ์๋ ๋ ผ๋ฌธ์ ๊ฐ๊ฒฉยทํธ์ถยท์์ ์ ์์ ๋ฌถ์ธ ์์น๋ค.
#๊ฐ์ ๋ชจ๋ธ์ด ํ๋์ ๋์ ํ๋ ๊ฒ์ ์๋๋ค
๋ถ๋ก A.4ยทB.1์์ ์์ ๋ชจ๋ธ์ shadow ํธ์ถ์ ํฐ ๋ชจ๋ธ ์คํ ์ธ ๋จ๊ณ๋ง๋ค ์ด๋ค์ง๋ค. ์ด๋ ์์ ๋ชจ๋ธ์ด ์ ์ํ ํ๋์ ์ค์ ๋ก ์คํ๋์ง ์๋๋ค. ๋ด๋ถ ํํ์ผ๋ก ์ ์๋ฅผ ์ป๊ณ , ํ์ํ๋ฉด ํฐ ๋ชจ๋ธ์๊ฒ ํ์ฌ ์ ๋ต์ ๋ค์ ๊ฒํ ํ๋ผ๋ ์ค๋ฆฝ ๋ฉ์์ง๋ฅผ ์ ๋ฌํ๋ค. ๋ฐ๋ผ์ ๋ ๋ชจ๋ธ์ ํ๋์ ํฌํ๋ก ๊ณ ๋ฅด๊ฑฐ๋ ์์ ๋ชจ๋ธ์ ์ง์๋ก ํฐ ๋ชจ๋ธ์ ๊ฐ์ ๊ต์ ํ๋ ๋ฐฉ์๊ณผ ๋ค๋ฅด๋ค.
๊ฐ์ ํ์์๋ ์ ํ์ด ์๋ค. ํ ์์ ์์ ์ต๋ ์ฌ์ฏ ๋ฒ์ด๋ฉฐ, ํฐ ๋ชจ๋ธ์ ํ๋์ ๋ฐ๊พผ ๊ฐ์ ์ด ๋ ๋ฒ์ด๋ฉด ์ถ๊ฐ ๊ฐ์ ์ ๋ง๋๋ค. ๊ฐ์๋ ๋ฌด์ ํ ์ฌ์๋๋ ๋ชจ๋ ์ค๋ฅ์ ์ฐจ๋จ์ ๋ปํ์ง ์๋๋ค.
๋ runtime AUROC๋ Manager๊ฐ ๋ถ์ธ ํ์๋ชฉํ ๊ตฌ๊ฐ์ ์ฑ๊ณตยท์คํจ๋ฅผ ์ผ๋ง๋ ์ ๊ฐ๋ฅด๋์ง ํ๊ฐํ๋ค. ์ด๋ฅผ ๊ฐ๋ณ ๋ง์ฐ์ค ํด๋ฆญ ํ๋์ ์ ๋ต ํ๋ฅ ๋ก ์ฝ์ ์๋ ์๋ค.
ํ์ธ ์ง๋ฌธ: ์์ ๋ชจ๋ธ์ด ์ํํ๋ค๊ณ ํ๋จํ๋ฉด ๊ทธ ๋ชจ๋ธ์ ๋์ ํ๋์ ๋ฐ๋ก ์คํํ ๊น? ์๋๋ค. ์ด ์ฐ๊ตฌ์์๋ ํฐ ๋ชจ๋ธ์ด ์ ์ด๊ถ์ ์ ์งํ๋ฉฐ ๋ค์ ํ๋จํ๋ค.
#ํ๊ณยท๋ฐ๋ ์ฆ๊ฑฐ
#โ๊ฐ์ ํธ์ถ ๋น์จโ๊ณผ โ๊ฐ์ ๋น์ฉโ์ ๋ค๋ฅด๋ค
Table 1์ Qwen ๊ตฌ์ฑ์์ ๋ฌด์์ ์ํฅ์ ์์ ์ 64.4%๋ฅผ ๋๊ฒจ ์ฑ๊ณต๋ฅ 61.72%, ์ถ์ ๋น์ฉ $0.3768์ด์๋ค. LEASH๋ 64.1%๋ฅผ ๋๊ฒจ 73.66%, $0.4117์ด์๋ค. ์ํฅ ๋น์จ์ด ๋น์ทํ ๋น๊ต์์ ์ฑ๊ณต๋ฅ ์ ๋์ง๋ง ๋น์ฉ๋ ๋ ๋ ๋ค. ์ด๋ฅผ โ๋ฌด์์ ์ํฅ๋ณด๋ค ๋ชจ๋ ๋ฉด์์ ์ธ๊ณ ์ข๋คโ๊ณ ์์ฝํ๋ฉด ํ๋ฆฐ๋ค. ์์ 19.2% ๋น์ฉ ์ ๊ฐ์ ํญ์ ๊ฐํ ๋ชจ๋ธ์ ์ฐ๋ ๋ค๋ฅธ ๊ธฐ์ค์ ๊ณผ์ ๋น๊ต๋ค.
๋ ผ๋ฌธ์ ์คํ ์ค ์ ์๋ฅผ ๊ณ์ฐํ ๋ ๊ธฐ์กด ํ๋ ์์ฑ์ ์จ์ ์ํ๋ฅผ ์ฌ์ฌ์ฉํ๋ค๊ณ ์ค๋ช ํ๋ค. ๊ทธ๋ ๋ค๊ณ ์ ์ฒด ๊ฐ์๊ฐ ๋ฌด๋ฃ์ธ ๊ฒ์ ์๋๋ค. ์ต์ด ํ๋จ๊ณผ ์ธ๊ณ ๋ค ๊ฐ์๋ ์์ ๋ชจ๋ธ ํธ์ถ์ด ํ์ํ๊ณ , ๊ฐ์ ์ ๊ฐํ ๋ชจ๋ธ์ ์ถ๊ฐ ๊ณ์ฐ์ ์ ๋ฐํ ์ ์๋ค(๋ถ๋ก B.4). ๊ฐ์ ์์ ์ยท์ํฅ ๋น์จยท๋ชจ๋ธ ๊ฐ๊ฒฉ ์ค ๋ฌด์์ ๊ณ ์ ํ ๋น๊ต์ธ์ง ํ์ธํด์ผ ๋น์ฉ ์ฃผ์ฅ์ ์ฎ๊ธธ ์ ์๋ค.
ํ์ธ ์ง๋ฌธ: ํฐ ๋ชจ๋ธ์ ๋ถ๋ฅธ ์์ ๋น์จ์ด ๊ฐ๋ค๋ฉด ๋น์ฉ๋ ๊ฐ์๊น? ์๋๋ค. ํธ์ถ ํ์์ ์ ๋ ฅยท์ถ๋ ฅ ๊ธธ์ด, ๊ด๋ฆฌ์ยท๊ฐ์ยท์ฌ๊ฒํ ๊ณ์ฐ์ด ๋ค๋ฅผ ์ ์๋ค. ์ด ์ฐ๊ตฌ์์ โ์์ ์ ๋๊ธด ๋น์จโ๊ณผ โ์ ์ฒด ํ ํฐ ๋น์ฉโ์ ๋ณ๋ ์งํ๋ค.
๋ณธ๋ฌธ์ ๊ตฌ์ฑ์์ ์ ๊ฑฐ ์คํ์์ ํน์ Qwen ๊ตฌ์ฑ์ shadow ๊ฐ์๋ฅผ ๋ํ๋ฉด ์ฑ๊ณต๋ฅ ์ด 67.94%์์ 73.66%๋ก ๋ณํ๊ณ , ์ถ์ ๋น์ฉ์ ์์ ๋น $0.4050์์ $0.4117๋ก ์ฆ๊ฐํ๋ค. ์ด ๋น๊ต๋ ํด๋น ์ค์ ์์ ํจ๊ณผ์ด์ง ๋ค๋ฅธ ํ๊ฒฝ์ ํจ๊ณผ๋ฅผ ๋ณด์ฅํ์ง ์๋๋ค. weak model hidden state๊ฐ ํ์ํ๋ฏ๋ก ํ์ํ ๋ชจ๋ธ๋ผ๋ฆฌ์ routing์๋ ๋ฐ๋ก ์ ์ฉ๋์ง ์๋๋ค. OSWorld์์ ์คํจ์ ๋ฎ์ ํํ์ด ๋ค๋ฅธ UIยท์ธ์ดยท๊ถํ ํ๊ฒฝ์์๋ ๋ถํ์ค์ฑ์ ๋ปํ๋ค๋ ๋ณด์ฅ๋ ์๋ค. ์ ์ฒด ์์ยท๊ทธ๋ฆผ์ ๋์ํ, ๋ ๋ฆฝ ์ฌํ๊ณผ ํ์ฅ ์ด์ ๊ฒ์ฆ์ ๋จ์ ์๋ค.
#code/data์ ์ฌ๊ฒํ
๊ณต๊ฐ ๋ณธ๋ฌธยท๊ด๋ จ ๋ถ๋ก์ ๋์กฐํ์ง๋ง ๊ณต์ ์ฝ๋ ์ ์ฅ์์ ๊ณต๊ฐ ๋ฒ์ยท๋ผ์ด์ ์คยท์คํ ํ๊ฒฝ์ ๋ณ๋ ๊ฐ์ฌํ์ง ์์๋ค. ์ ์ฅ์์ ์คํ ๊ทผ๊ฑฐ ํ์ธ, ๋ ๋ฆฝ๋ ๋์ผ ์์ฐ ๋น๊ต, ๋ค๋ฅธ ์ปดํจํฐ ๋ฒค์น๋งํฌ ๊ฒฐ๊ณผ, ๋๋ฃ์ฌ์ฌ ๋๋ ์ค์ํ ๋ฐ๋ฐ์ด ๋์ค๋ฉด ์ฌ๊ฒํ ํ๋ค.
#์ถ์ฒ
- Wang et al., arXiv:2610.22280, submitted 2026-10-15 17:40:12 UTC