RecursiveMAS · 멀티에이전트의 다음 문법

AGENT RESEARCH · 2026

에이전트들이 텍스트로 떠드는 시대,
잠재 공간에서 함께 생각하기

RecursiveMAS — 멀티에이전트 협업을 통합된 재귀 잠재 연산으로 캐스팅

논문은 단일 모델을 키우던 'recursive/looped LM'의 아이디어를 시스템 전체로 끌어올린다. 에이전트 간 대화를 자연어 토큰이 아닌 잠재 상태의 루프로 묶어, 평균 정확도 +8.3%, 토큰 34.6~75.6% 절감, 추론 1.2~2.4배 가속을 보고한다.

+8.3%

평균 정확도 향상

1.2~2.4×

E2E 추론 가속

−34.6~75.6%

토큰 사용량 감소

벤치마크 검증 영역

▼ SCROLL

잠재 공간 루프로 바뀌는 6가지 질문

문제 정의

텍스트로 떠드는 MAS의 한계

에이전트마다 자연어 메시지를 주고받으며 토큰이 폭증
중간 추론이 외부화되며 정보 손실과 잡음이 누적
협업 라운드가 늘수록 비용이 선형 이상으로 부풀어 오름

핵심 제안

RecursiveMAS 개념

멀티에이전트 협업 전체를 하나의 재귀 잠재 연산으로 재정의
루프 한 바퀴가 곧 한 라운드의 협업이라는 시점 통일
단일 모델의 'looped LM' 직관을 시스템 스케일로 확장

엔진

RecursiveLink 모듈

이질적 에이전트들을 협업 루프로 연결하는 경량 어댑터
in-distribution 잠재 사고 생성을 보조
에이전트 간 잠재 상태 전이를 가능하게 하는 인터페이스 역할

학습

Inner–Outer Loop 알고리즘

내부 루프는 한 라운드의 잠재 추론을 정련
외부 루프는 라운드 간 신호를 모아 시스템 전체를 공동 최적화
재귀 라운드 전반에 걸친 공유 그래디언트 기반 크레딧 할당

이론

왜 더 효율적인가

텍스트 기반 MAS 대비 정보 병목이 줄어든다는 분석
재귀 학습에서도 그래디언트가 폭주·소실 없이 안정적
협업 효율과 학습 가능성을 동시에 정당화하려는 시도

한계

아직은 연구 프레임

운영형 에이전트 제품에 바로 꽂는 플러그인은 아니다
잠재 루프는 검증·디버깅 가능성이 본질적으로 어렵다
에이전트 경계와 책임 분담 설계가 더 중요해진다

기존 MAS vs RecursiveMAS 관점 비교

질문	기존 텍스트 기반 MAS	RecursiveMAS 관점
에이전트는 무엇으로 대화하나	자연어 토큰 메시지	공유된 잠재 상태와 루프
협업 한 라운드의 비용	토큰 입출력 + 디코딩	잠재 공간 한 바퀴의 연산
학습 신호 전달	주로 최종 출력 보상	재귀 라운드 전반의 공유 그래디언트
성능 보고치	수동 프롬프트 튜닝 의존	평균 +8.3%, 토큰 34.6~75.6% 절감
디버깅 난이도	대화 로그로 추적 가능	잠재 상태 해석은 별도 연구 과제

검증된 협업 시나리오 9개 벤치마크 × 4 패턴

➗

수학 추론 협업

Mathematics

🧪

과학 문제 풀이

Science QA

🩺

의료 시나리오 진단

Medicine

🔎

검색·증거 합성

💻

코드 생성 협업

Code Gen

🧵

라운드 반복형 토론

Pattern A

🎯

역할 분담 협업

Pattern B

🪞

자기 검증 루프

Pattern C

에이전트들이 자연어로 떠드는 멀티에이전트 시스템(MAS)은 직관적이지만 비싸다. 한 라운드마다 토큰이 입출력되고, 중간 사고는 외부화되며 잡음이 끼고, 라운드가 쌓일수록 비용은 가파르게 부푼다. RecursiveMAS는 이 구조를 다른 층위에서 다시 본다. 협업 자체를 하나의 재귀 잠재 연산으로 캐스팅하면 어떨까.

단일 모델을 키우는 'recursive/looped LM' 아이디어가 출발점이다. 모델이 자신의 잠재 상태를 반복적으로 정련해 더 깊은 사고를 흉내 내듯, 시스템 전체가 그렇게 돌도록 만든다. 핵심 부품은 RecursiveLink — 이질적인 에이전트들을 하나의 협업 루프로 묶는 경량 모듈이다. in-distribution 잠재 사고를 만들어내고, 에이전트 사이로 잠재 상태를 옮긴다.

학습은 inner–outer loop로 짠다. 안쪽 루프는 한 라운드의 잠재 추론을 정련하고, 바깥 루프는 라운드 간 신호를 모아 시스템 전체를 공동 최적화한다. 재귀 라운드 전반에 걸친 공유 그래디언트 기반 크레딧 할당이 핵심이다. 이론 분석은 텍스트 기반 MAS 대비 효율 우위와 재귀 학습에서의 그래디언트 안정성을 동시에 주장한다.

보고된 숫자는 가볍지 않다. 4가지 대표 협업 패턴, 수학·과학·의료·검색·코드 생성 9개 벤치마크에서 평균 정확도 +8.3%, 엔드투엔드 추론 속도 1.2~2.4배, 토큰 사용량 34.6~75.6% 감소다. 같은 협업 결과를 더 적은 토큰으로 더 빠르게 뽑아낸다는 것이 메시지다.

그러나 운영자의 시선에서는 한 박자 늦춰야 한다. 잠재 상태로 도는 루프는 본질적으로 들여다보기 어렵고, 검증과 디버깅 가능성이 떨어진다. 에이전트 경계와 책임 분담을 어디서 끊을지, 실패 시 어떤 단서가 남는지 같은 운영 질문은 여전히 열려 있다. 지금은 '바로 꽂는 플러그인'이 아니라, 다음 세대 에이전트 시스템 설계의 한 축으로 읽는 편이 안전하다.

멀티에이전트의 다음 문법은
잠재 공간 안에서 돈다

토큰이 아니라 잠재 상태로 협업하는 시스템. 정확도와 비용을 동시에 흔드는 가설이 실험표 위에 올라왔다.

arxiv.org/abs/2604.25917

에이전트들이 텍스트로 떠드는 시대,잠재 공간에서 함께 생각하기

잠재 공간 루프로 바뀌는 6가지 질문

기존 MAS vs RecursiveMAS 관점 비교

검증된 협업 시나리오 9개 벤치마크 × 4 패턴

멀티에이전트의 다음 문법은잠재 공간 안에서 돈다

에이전트들이 텍스트로 떠드는 시대,
잠재 공간에서 함께 생각하기

멀티에이전트의 다음 문법은
잠재 공간 안에서 돈다

RecursiveMAS — 멀티에이전트의 다음 문법

Reference Links

Comments (0)