$ cat wiki/papers/2026/2610.22280-leash.md
LEASH
TL;DR
LEASH는 약한 모델의 잠재 불확실성을 이용해 컴퓨터 사용 작업을 더 강한 모델에 넘길 시점을 정하고, 인계 후에도 모니터링을 이어간다. 작업 도중의 Model Routing을 다룬다. (source)
저자와 소속
저자는 Qingni Wang, Changdae Oh, Yuzhe Yang, Sharon Li, Jiachen Yang, Ang Li, Xin Eric Wang이다. 여기서 읽은 초록 기록으로는 소속을 확인할 수 없다. 최초 제출일은 2026-10-15이다. (source)
방법
별도 학습이 필요 없는 이 프레임워크는 초기 작업 라우팅, 단계별 상위 모델 전환, 강한 블랙박스 에이전트를 감독하는 그림자 관찰자를 결합한다. 약한 모델의 은닉 상태를 이전 성공 및 실패 궤적의 상태와 비교한다. 약한 에이전트가 실행되는 동안에는 행동 생성 시 이미 계산된 활성값을 재사용해 불확실성을 추정하므로 추가 순전파나 전용 모니터 학습이 필요 없다. 이 절감 효과가 시스템의 모든 단계에 적용된다고 명시하지는 않는다. (source)
결과
저자들은 OSWorld에서 네 모델 백본을 평가했으며, 상위 모델 전환 비율을 맞춘 무작위 전환 대비 6.55–11.94점의 향상을 보고한다. Qwen3.5-35B-A3B를 사용한 LEASH는 작업당 $0.4117에 작업 성공률 **73.66%**를 기록했으며, 항상 Claude Opus 5를 사용하는 경우의 **72.90%**와 비교하면서 추론 비용은 19.2% 줄였다. 이는 저자들이 보고한 결과로, 독립적인 재현 결과는 아니다. (source)
의의
Agents (LLM Agents) 관점에서 유용한 구분은 더 강한 모델을 선택하는 것과 선택 후에도 그 모델을 감독하는 것 사이에 있다. 무작위 전환과의 비교는 같은 인계 예산을 쓰는 것 이상의 이점이 불확실성 신호에 있는지 시험한다. (source)
열린 질문
초록에는 신뢰구간, 참조 궤적 집합의 규모와 확보 비용, 그림자 관찰자의 별도 오버헤드가 명시되어 있지 않다. 논문 전문과 코드를 검토하지 않았으므로 새로운 애플리케이션에서의 견고성과 전체 비용 산정은 여기서 열린 질문으로 남는다. (source)
인용
“LEASH: Uncertainty-Aware Weak-to-Strong Escalation and Oversight for Computer-Use Agents.” arXiv:2610.22280. 이 노트는 스냅샷의 초록과 메타데이터를 사용한다.