대화형 LLM의 정렬은 일반적으로 텍스트 내용 기반의 보상 신호에 의존하지만, 본 논문은 상호작용의 역학(dynamics)에서 얻을 수 있는 새로운 보상 신호, 즉 '대화 기하학'을 제안한다. TRACE (Trajectory-based Reward for Agent Collaboration Estimation)는 대화의 임베딩 궤적의 기하학적 특성에서 파생된 새로운 보상 신호이며, 구조적 신호만으로 훈련된 보상 모델이 전체 대화를 분석하는 LLM 기반 모델과 유사한 정확도를 달성함을 보여준다. 또한, 상호작용 역학과 텍스트 분석을 결합한 하이브리드 모델이 가장 높은 성능을 보이며, 상호 보완적인 특성을 입증했다. 이 연구는 대화형 환경에서 에이전트의 '말하는 방식'이 성공적인 협업의 강력한 지표임을 보여주며, 에이전트 정렬뿐만 아니라 성공적인 협업을 유도하는 상호작용 패턴을 이해하는 진단 도구로도 활용될 수 있는 프레임워크를 제시한다.
