$ cat wiki/papers/2026/2610.22174-mosaic.md
Mosaic
TL;DR
Mosaic는 여러 세션에 걸친 궤적을 사용하는 에이전트를 학습하며, 하나의 궤적 어드밴티지를 모든 곳에 전파하는 대신 개별 세션에 기여도를 배분한다. Agentic Reinforcement Learning을 Context Compaction과 연결한다. (source)
저자와 소속
저자는 Yilong Xu, Minrui Xu, Xinyu Zhou, Xiang Long, Haochen Tan, Zhijiang Guo이다. 여기서 읽은 초록 기록으로는 소속을 확인할 수 없다. 최초 제출일은 2026-10-15이다. (source)
방법
컨텍스트 압축과 하위 에이전트 분기는 전체 궤적이 계속 커지는 하나의 컨텍스트를 공유한다는 가정을 깨뜨린다. Mosaic는 비평가 모델 없이 계층적으로 최적화한다. 궤적 수준의 어드밴티지 추정에는 세션 사용량을 반영하고, 세션 수준의 어드밴티지에는 추정된 한계 기여도를 반영한다. 이 설정에서는 궤적당 세션 수를 임의로 허용한다. (source)
결과
저자들은 Qwen3.5-4B로 BrowseComp를 평가했으며, 컨텍스트 압축과 하위 에이전트 분기 상황 모두에서 어드밴티지 일괄 전파보다 성능이 높으면서 평균 세션 수는 더 적었다고 보고한다. 초록에는 수치로 된 성공률, 개선 폭, 토큰 비용 또는 불확실성 추정치가 없다. 세션 수가 적다는 사실만으로 전체 연산량이 줄었다고 할 수는 없다. (source)
의의
이 논문은 세션 배분을 추론 시점의 실행 틀 설정에 그치는 것이 아니라 Agents (LLM Agents)의 학습 가능한 구성 요소로 다룬다. 이 비교는 세션 경계를 넘는 기여도 배분을 명시적인 학습 문제로 만든다. (source)
열린 질문
초록으로는 명시된 모델과 벤치마크를 넘어선 전이, 한계 기여도의 추정 방법, 세션 예산 변경의 효과를 확인할 수 없다. 논문 전문과 코드는 검토하지 않았다. (source)
인용
“Mosaic: Multi-Session Agentic Reinforcement Learning.” arXiv:2610.22174. 이 노트는 스냅샷의 초록과 메타데이터를 사용한다.