예산 제약이 있는 에이전트형 대규모 언어 모델: 비용이 많이 드는 도구 사용을 위한 의도 기반 계획

초록

우리는 예산이 제한된 도구 활용 에이전트를 연구하며, 여기서 대규모 언어 모델은 엄격한 금전적 예산 하에서 외부 도구를 호출하여 다단계 작업을 해결해야 합니다. 우리는 이러한 설정을 가격이 부여되고 확률적인 도구 실행이 있는 컨텍스트 공간에서의 순차적 의사 결정으로 공식화합니다. 이는 방대한 상태-행동 공간, 결과의 높은 분산, 그리고 감당하기 어려운 탐색 비용으로 인해 직접적인 계획 수립을 난해하게 만듭니다. 이러한 과제를 해결하기 위해 우리는 향후 도구 사용, 위험 조정 비용을 예측하고 온라인 의사 결정을 안내하는 의도 인지 계층적 세계 모델을 활용하는 추론 시점 계획 프레임워크인 INTENT를 제안합니다. 비용이 증강된 StableToolBench에서 INTENT는 강력한 예산 제약 조건을 엄격히 준수하면서 기준 방법 대비 작업 성공률을 크게 향상시키며, 도구 가격 변동 및 다양한 예산과 같은 동적 시장 변화 하에서도 견고하게 성능을 유지합니다.

English

We study budget-constrained tool-augmented agents, where a large language model must solve multi-step tasks by invoking external tools under a strict monetary budget. We formalize this setting as sequential decision making in context space with priced and stochastic tool executions, making direct planning intractable due to massive state-action spaces, high variance of outcomes and prohibitive exploration cost. To address these challenges, we propose INTENT, an inference-time planning framework that leverages an intention-aware hierarchical world model to anticipate future tool usage, risk-calibrated cost, and guide decisions online. Across cost-augmented StableToolBench, INTENT strictly enforces hard budget feasibility while substantially improving task success over baselines, and remains robust under dynamic market shifts such as tool price changes and varying budgets.

예산 제약이 있는 에이전트형 대규모 언어 모델: 비용이 많이 드는 도구 사용을 위한 의도 기반 계획

Budget-Constrained Agentic Large Language Models: Intention-Based Planning for Costly Tool Use

초록

Support