AI 에이전트 연구
Multi-Agent Self-Improving Reinforcement Learning for Video Reasoning
ARarXiv
비디오 추론 과제에서 필요한 증거 구간 선택을 위해, 학습 가능한 'Grounder'와 고정된 'Verifier'를 결합한 다중 에이전트 프레임워크가 제안되었습니다.
세 줄 요약
- 본 모델은 소스 작업으로만 훈련했음에도 별도의 미세 조정 없이(zero-shot) 질문 답변 및 시간적 근거 찾기 등 다양한 비디오 추론 과제에서 높은 성능을 입증했습니다.
- 추론 시에만 사용되던 검증기(Verifier)를 훈련 신호로 활용하는 것이 증거 선택의 정확도를 높이는 효과적인 방법임을 보여준 연구입니다.
- 성능 향상은 기존 최고 수준 모델 대비 크지 않지만 일관적이며, 특히 관련성을 측정하는 지표에서 개선이 두드러졌고 경계 정밀도는 여전히 보완할 점으로 남았습니다.
비디오 추론 과제에서 필요한 증거 구간 선택을 위해, 학습 가능한 'Grounder'와 고정된 'Verifier'를 결합한 다중 에이전트 프레임워크가 제안되었습니다.