MSARL은 다수의 소형 에이전트가 노동 분업을 통해 협력하는 다중 에이전트 강화 학습 프레임워크입니다. 기존의 도구 통합 추론 시스템은 하나의 큰 모델이 장기 추론과 정밀한 도구 조작을 혼합하여 인지 부하 간섭과 불안정한 조정을 초래하는 반면, MSARL은 추론과 도구 사용을 명시적으로 분리합니다. 추론 에이전트는 문제를 분해하고 도구 호출을 계획하며, 여러 도구 에이전트는 특정 외부 도구를 전문으로 하며 각각 모방 학습과 역할별 보상을 사용하는 강화 학습의 조합을 통해 훈련됩니다. 코드 실행을 포함한 수학적 문제 해결에서 MSARL은 단일 에이전트 기준 모델보다 추론 안정성과 최종 답변 정확도를 크게 향상시킵니다. 또한, 이 아키텍처는 다양한 도구 사용 작업으로 일반화되어 소형 에이전트를 이용한 인지 역할 분리는 다중 에이전트 AI 설계를 위한 확장 가능한 청사진임을 보여줍니다.
