Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

How to Train Your LLM Web Agent: A Statistical Diagnosis

Created by
  • Haebom

저자

Dheeraj Vattikonda, Santhoshi Ravichandran, Emiliano Penaloza, Hadi Nekoei, Megh Thakkar, Thibault Le Sellier de Chezelles, Nicolas Gontier, Miguel Munoz-Marmol, Sahar Omidi Shayegan, Stefania Raimondo, Xue Liu, Alexandre Drouin, Laurent Charlin, Alexandre Piche, Alexandre Lacoste, Massimo Caccia

개요

본 논문은 LLM 기반 웹 에이전트의 오픈소스 개발을 위한 효율적인 컴퓨팅 자원 할당 전략을 제시합니다. 기존 연구들이 단일 단계 작업에 집중하고 높은 컴퓨팅 비용을 요구하는 한계를 극복하기 위해, Llama 3.1 8B 모델을 Llama 3.3 70B 모델을 모방하도록 지도 학습(SFT) 및 온-폴리시 강화 학습을 두 단계로 진행하는 파이프라인을 제안합니다. 1,370개의 하이퍼파라미터 조합을 샘플링하고 부트스트래핑을 통해 효과적인 하이퍼파라미터를 추정하여, WorkArena와 MiniWob++에서 SFT 단독 또는 강화학습 단독보다 SFT와 강화학습을 결합한 방법이 우수한 성능을 보임을 확인하고, MiniWob++에서는 순수 SFT 대비 55%의 컴퓨팅 자원으로 동등한 성능을 달성함을 보여줍니다. 이는 폐쇄형 모델과의 성능 격차를 해소하는 유일한 전략이기도 합니다.

시사점, 한계점

•
시사점:
◦
LLM 기반 웹 에이전트의 오픈소스 개발을 위한 효율적인 컴퓨팅 자원 할당 전략 제시
◦
지도 학습(SFT)과 온-폴리시 강화 학습의 결합을 통한 성능 향상 및 컴퓨팅 비용 절감
◦
폐쇄형 모델과의 성능 격차를 해소할 가능성 제시
◦
부트스트래핑 기법을 활용한 효율적인 하이퍼파라미터 탐색 방법 제시
•
한계점:
◦
제안된 방법의 일반화 성능에 대한 추가적인 검증 필요
◦
특정 LLM 모델에 대한 의존성 존재 (Llama 3.1, 3.3)
◦
더욱 다양하고 복잡한 웹 환경에서의 성능 평가 필요
◦
하이퍼파라미터 탐색에 사용된 샘플 수의 제한 (1,370개)으로 인한 최적점 도달의 불확실성 존재
👍
Made with Slashpage