지안 장(Jian Zhang) 연구원이 이끄는 연구팀은 AI 에이전트가 디지털 도구를 활용하는 과정에서 발생하는 고질적인 결함을 해결하기 위해 'MAXS'라는 새로운 프레임워크를 개발했다. 현재 대다수의 AI 에이전트는 복잡한 작업을 수행할 때 근시안적인 의사결정을 내리거나, 초기 단계의 사소한 실수가 전체 작업의 실패로 이어지는 '궤적 불안정성' 문제를 안고 있다. 이에 따라 MAXS는 도구 실행과 추론 계획을 유기적으로 통합하여 인공지능 모델이 더욱 신중하고 전략적으로 계획을 세울 수 있는 환경을 제공한다.

이 시스템의 핵심은 특정 행동을 최종적으로 확정하기 전에 미래의 진행 상황을 여러 단계 미리 시뮬레이션하는 '룩아헤드(Lookahead)' 전략에 있다. 연구팀은 특정 도구 선택이나 추론 단계가 평균적인 기대 결과보다 얼마나 우수한지를 수학적으로 수치화한 '어드밴티지 가치(Advantage Value)'를 활용했다. AI 에이전트는 이 수치를 바탕으로 가장 안정적이고 효과적인 경로를 선택하며, 이는 모델이 잘못된 방향으로 추론을 전개하여 오답을 도출하는 현상을 효과적으로 방지한다. 특히 다중 도구 조율이 필요한 상황에서 이러한 정밀한 제어 능력은 빛을 발한다.

한편 과도한 연산 자원 소모를 방지하기 위해 '궤적 수렴 메커니즘'이라는 효율화 기능을 도입했다. 이 기능은 시뮬레이션된 여러 경로가 하나의 일관된 결과로 일치하게 되면 불필요한 추가 탐색을 즉시 중단하도록 설계되었다. 실제로 Qwen2.5-VL 모델을 기반으로 5개의 서로 다른 데이터셋에서 테스트를 진행한 결과, MAXS는 기존의 방식들보다 압도적으로 우수한 성능과 추론 효율성을 기록했다. 이는 단순히 연산 장치의 성능을 높이는 것보다, 지능적인 탐색 메커니즘을 설계하는 것이 성능 향상에 훨씬 더 효율적임을 시사한다.

다만 이번 연구는 특정 모델에 국한되지 않고 MiMo-VL 등 다양한 모델에서도 그 범용성을 입증했다는 점에서 큰 의미를 지닌다. 또한 연구진은 자율 시스템이 도구를 선택하고 의사결정을 내리는 과정에서 발생하는 논리적 오류를 최소화함으로써 실제 산업 현장에서의 활용 가능성을 대폭 높였다. 결과적으로 MAXS 프레임워크는 더욱 정교하고 안정적인 차세대 AI 에이전트 구축을 위한 핵심 기술로 자리 잡을 전망이며, 향후 인공지능이 인간의 복잡한 업무를 보조하는 데 있어 중요한 전환점이 될 것으로 예상된다.

지안 장(Jian Zhang) 연구원이 이끄는 연구팀은 AI 에이전트가 디지털 도구를 활용하는 과정에서 발생하는 고질적인 결함을 해결하기 위해 'MAXS'라는 새로운 프레임워크를 개발했다. 현재 대다수의 AI 에이전트는 복잡한 작업을 수행할 때 근시안적인 의사결정을 내리거나, 초기 단계의 사소한 실수가 전체 작업의 실패로 이어지는 '궤적 불안정성' 문제를 안고 있다. 이에 따라 MAXS는 도구 실행과 추론 계획을 유기적으로 통합하여 인공지능 모델이 더욱 신중하고 전략적으로 계획을 세울 수 있는 환경을 제공한다.

이 시스템의 핵심은 특정 행동을 최종적으로 확정하기 전에 미래의 진행 상황을 여러 단계 미리 시뮬레이션하는 '룩아헤드(Lookahead)' 전략에 있다. 연구팀은 특정 도구 선택이나 추론 단계가 평균적인 기대 결과보다 얼마나 우수한지를 수학적으로 수치화한 '어드밴티지 가치(Advantage Value)'를 활용했다. AI 에이전트는 이 수치를 바탕으로 가장 안정적이고 효과적인 경로를 선택하며, 이는 모델이 잘못된 방향으로 추론을 전개하여 오답을 도출하는 현상을 효과적으로 방지한다. 특히 다중 도구 조율이 필요한 상황에서 이러한 정밀한 제어 능력은 빛을 발한다.

한편 과도한 연산 자원 소모를 방지하기 위해 '궤적 수렴 메커니즘'이라는 효율화 기능을 도입했다. 이 기능은 시뮬레이션된 여러 경로가 하나의 일관된 결과로 일치하게 되면 불필요한 추가 탐색을 즉시 중단하도록 설계되었다. 실제로 Qwen2.5-VL 모델을 기반으로 5개의 서로 다른 데이터셋에서 테스트를 진행한 결과, MAXS는 기존의 방식들보다 압도적으로 우수한 성능과 추론 효율성을 기록했다. 이는 단순히 연산 장치의 성능을 높이는 것보다, 지능적인 탐색 메커니즘을 설계하는 것이 성능 향상에 훨씬 더 효율적임을 시사한다.

다만 이번 연구는 특정 모델에 국한되지 않고 MiMo-VL 등 다양한 모델에서도 그 범용성을 입증했다는 점에서 큰 의미를 지닌다. 또한 연구진은 자율 시스템이 도구를 선택하고 의사결정을 내리는 과정에서 발생하는 논리적 오류를 최소화함으로써 실제 산업 현장에서의 활용 가능성을 대폭 높였다. 결과적으로 MAXS 프레임워크는 더욱 정교하고 안정적인 차세대 AI 에이전트 구축을 위한 핵심 기술로 자리 잡을 전망이며, 향후 인공지능이 인간의 복잡한 업무를 보조하는 데 있어 중요한 전환점이 될 것으로 예상된다.