대규모 언어모델(LLM) 에이전트가 복잡한 작업을 수행하는 능력이 발전하면서, 사용자의 명시되지 않은 목표와 제약 조건을 파악하는 것이 중요해지고 있습니다. 최근 공개된 연구 논문은 이러한 문제를 해결하기 위해 'CLEAT'(CLarification through valuE-guided Agent co-Training)이라는 새로운 프레임워크를 제안했습니다. CLEAT은 에이전트가 사용자에게 언제, 어떤 질문을 해야 가장 유용한 정보를 얻을 수 있는지 스스로 학습하도록 돕는 것이 핵심입니다.
CLEAT 프레임워크는 '질문 가치 제어기(clarification-value controller)'와 '작업 정책(task policy)'을 공동으로 훈련시킵니다. 여기서 '잔여 질문 가치(residual query value)'라는 개념을 도입하여, 에이전트가 질문을 함으로써 얻을 수 있는 추가적인 작업 효용성을 측정합니다. 동일한 상호작용 기록에서 두 가지 시나리오(질문하고 진행하는 경우와 질문 없이 진행하는 경우)를 비교하여 이 가치를 추정하고, 이를 통해 제어기는 질문의 가치를 예측하고 작업 정책은 유용한 질문을 선택하고 답변에 따라 행동하는 방법을 학습합니다. 특히 Qwen3-4B 모델을 활용한 실험에서 CLEAT은 4가지 벤치마크의 10가지 평가 설정 모두에서 최고 점수를 달성했으며, 특정 시나리오에서는 기존 최강 모델 대비 최대 13.2%p의 성능 향상을 보였습니다.
이러한 질문 능력의 향상은 LLM 에이전트가 실제 환경에서 더욱 효과적으로 작동할 수 있음을 의미합니다. 사용자가 모든 정보를 명확하게 제공하지 않더라도 에이전트가 능동적으로 필요한 정보를 파악하고, 이를 바탕으로 더 정확하고 효율적인 결정을 내릴 수 있게 됩니다. 이는 고객 서비스 챗봇, 개인 비서, 복잡한 데이터 분석 도구 등 다양한 분야에서 에이전트의 활용도를 높이고 사용자 경험을 개선하는 데 크게 기여할 것입니다. 궁극적으로 에이전트가 인간의 의도를 더 깊이 이해하고 협력하는 미래를 앞당길 중요한 진전으로 평가됩니다.