$ cat wiki/papers/2026/2610.26233-heartbeat-thinking.md
Heartbeat Thinking
TL;DR
Heartbeat Thinking은 음성 입력이 갱신되는 동안에도 음성 에이전트의 추론과 도구 실행이 계속되도록 한다. 저자들은 FDBench v3에서 SHANKS 방식의 윈도 기반 기준선보다 도구 커버리지가 16 percentage points 높아지고 평균 최종 응답 지연 시간이 36.4% 줄었다고 보고한다. (source)
저자와 소속
Zhenyu Zhang, Kewei Fu, Yongqi Tong, Chenzhi Zheng, Wei Wu, Jiang-Ming Yang, Jianshe Li가 저자다. 최초 제출일은 2026-10-19이다. 초록 페이지에서는 소속을 확인할 수 없다. (source)
방법
청크에 실행 범위를 제한하거나 입력 갱신 시 중단하는 접근법은 인수가 완성되기 전에 추측 실행 중인 도구 호출을 멈출 수 있다. 반면 Heartbeat는 갱신된 입력에 대해 새 Thinker 호출을 시작하면서 기존 호출과 이미 요청한 도구의 실행은 끝까지 진행하게 한다. 주기적인 호출은 최신 부분 전사문과 완료된 추론·도구 결과의 공유 기록을 읽고, 이를 이용해 빠진 인수를 채우고 의존 관계가 있는 호출을 시작한다. (source)
결과
초록은 SpeechFCEval, FDBench v3, AudioCRAG에서 윈도 기반 기준선보다 종합적인 추측 도구 커버리지 또는 검색 결과 재사용이 개선됐다고 보고한다. 최종 과제 품질에 미치는 효과는 벤치마크에 따라 다르다. FDBench v3의 지연 시간 감소는 평균의 상대적 변화이며, 도구 커버리지 증가는 퍼센트포인트 단위다. 어느 쪽도 일반적인 과제 성공률을 의미하지 않는다. (source)
의의
이 결과는 Agents (LLM Agents)에서 듣는 동안의 실행 스케줄링을 에이전트 설계의 일부로 만든다. 해석하면, 모델 선택과 더불어 음성 입력 갱신 사이에 유용한 연산을 보존하는 것도 중요할 수 있다. Eval Harness Configuration에서는 기준선과 결과 지표의 정의를 유지해야 한다. (source)
열린 질문
초록은 절대 지연 시간, 추가 연산 비용, 추측 도구 실행이 되돌릴 수 없는 부수 효과나 이후 사용자 의도의 정정을 처리하는 방식을 명시하지 않는다. 이는 논문 전문과 구현을 검토할 때 확인할 질문으로 남으며, 여기서는 어느 쪽도 검토하지 않았다. (source)
인용
arXiv:2610.26233 · 변경 불가능한 초록 및 메타데이터 캡처. (source)