자기 조절적 명확성 요청 시기 판단: 계층적 언어 agent를 위한 자기 조절적 명확성 요청

인공 지능이 계층적인 사고에서 실패를 겪을 때, 그 실패는 종종 중간에 결정점에서 발생하는데 그 이유는 agent가 잘못된 branch에 집착하는 것이고 그 이유는 agent가 중요한 정보가 부족하다는 것을 인식하지 못하기 때문이다. 그러한 clarify를 외부 불확실성 트리거로 다루기보다는, ACTION-RATING이라는 새로운 형식을 제안한다. 이 형식은 agent의 행동 공간 내에 clarify를 위치시켜, navigation과 함께 공유하는 순위 scale에서 위치시켜, agent가 모든 결정점에서 ask와 act가 경쟁할 수 있도록 하며, 중간 상태에서 help-seeking이 관찰 가능하도록 한다. agent의 own rating으로부터 두 가지 구조적으로 다른 정보 찾기 모드가 emerges한다: mandatory (no viable branch)와 opportunistic (residual uncertainty despite a leading candidate). Harmonized Tariff Schedule classification (30,000-node taxonomy, three benchmarks, 9~대규모 언어 모델(LLM)across 4 families)에서, 우리는 mandatory에서 opportunistic clarify로의 전환을 관찰하며, Information-Seeking Effectiveness (ISE), help interaction이 다음 navigation step에 올바른 단계로 이어지는 fraction으로 정의된 local diagnostic에서, 50%에서 74%로 상승한다. 세 가지 diagnostic contrast는 이러한 구조를 재현하지 못한다. separability test에서는 answer quality가 감소한 경우 (-18.8% accuracy)에도 정보 찾기 패턴(mode split, ISE ranking)이 지속되며, agent가 help를 찾는 곳과 agent가 받는 help의 quality가 분리되는 empirical separation을 지원한다. controlled answer channel에서 accuracy gain은 10-digit에서 +16.2%까지 달하며, 이것은 localization이 개선될 수 있는 upper bound를 읽는다.