의문점 확립을 위한 LLM agent의 불확실성 분해

최근의 논문에서는 대규모 언어 모델(LLM) agent에 대해 고전적인 확률론적/지식론적 불확실성 프레임워크가 부족하다고 주장하고, 새로운 agent 기능인 예방적 설명요청과 공유된 정신 모델 생성을 가능케 하는 불확실성 표현을 위한 하이퍼스펙티파이 의식, 분해, 그리고 의사소통 가능한 불확실성 표현을 필요로 합니다. 실용적인 배포 제약조건 - 블랙박스 API, 상호 작용 지연 시간 지출, 그리고 레이블이 지정된 궤도 absence - 로그 프로브 기반, 다중 샘플링, 그리고 학습 기반 방법을 배제하여 배포 시간에 이러한 신호를 노출하기 위한 가장 khả상적인 가족은 프롬프트 기반 추정입니다. 우리는 이 호출에 대한 대답으로 단순한 프롬프트 기반 분해를 제시합니다. 이 분해는 동작 신뢰도와 요청 불확실성(u) 를 분리하여 agent가 작업 설명이 모호할 때 설명요청을 하도록 합니다. 이를 평가하기 위해 우리는 WebShop-Clarification과 ALFWorld-Clarification 두 가지 설명요청이 증강된 기준을 제시하며, ReAct+UE와 Uncertainty-Aware Memory(UAM)와 함께 5개의 LLM backbone(GPT-5.1, DeepSeek-v3.2-exp, GLM-4.7, Qwen3.5-35B, GPT-OSS-120B)에서 표준 WebShop, ALFWorld, REAL 기준과 함께 이러한 변형을 비교합니다. 다섯 개의 backbone을 평균화하여 제안된 분해는 ALFWorld-Clarification에서 ReAct+UE보다 73%의 설명 F1를 높이고 UAM보다 36%의 설명 F1를 높이며 WebShop-Clarification에서 모든 backbone에서 설명 F1를 높이고 ALFWorld-Clarification에서 네 개의 다섯 개의 backbone에서 설명 F1를 높입니다.