$ cat wiki/papers/2026/2610.34467-dynaflow.md
DynaFlow: 실행 가능한 협업의 학습
TL;DR
DynaFlow는 서브에이전트를 고정한 채 주 에이전트가 실행 가능한 협업 프로그램을 합성하도록 학습시킨다. 저자들은 동일한 Qwen3.5-27B 기반 모델로 여섯 벤치마크에서 성능이 향상되었다고 보고한다. (source)
저자와 소속
저자는 Ruhao Liu, Qi Li, Shizun Wang 및 Xinchao Wang이다. 수집한 초록 페이지에서는 소속을 확인할 수 없다. 최초 제출일은 2026-10-25다. (source)
방법
주 에이전트는 언제 협업할지 결정하고, 순차 또는 병렬 실행, 정보 교환 및 검증을 위한 과제별 프로그램을 작성한다. 실행 궤적은 이후 행동에 반영된다. 학습에는 증류된 궤적을 이용한 지도 fine-tuning과, 근거 없는 전제, 편향된 검증 및 정보 흐름 결함을 걸러낸 예제를 이용한 후속 개선이 포함된다. 실행 모델들은 고정되어 있다. (source)
결과
수학, 과학 질의응답 및 다단계 검색을 다루는 여섯 벤치마크에서 DynaFlow는 **Forced 모드 전체 정확도 88.08%**로, 동일한 기반 모델을 사용한 평가 대상 중 가장 강력한 기준선보다 10.90퍼센트포인트 높았다. 워크플로 분석에서는 앞 단계 출력의 명시적 활용, 검증 및 개선이 늘었다. 이는 저자 보고 결과이며, Forced 모드 점수가 재량적 위임의 성능까지 입증하지는 않는다. (source)
의의
Agents (LLM Agents) 관점에서 조정은 고정 그래프가 아니라 학습 가능한 행동이 된다. 서브에이전트를 고정하면 조정자의 개선과 실행 모델의 성능 향상을 구분하는 데 도움이 되지만, 비교에는 여전히 Eval Harness Configuration이 중요하다. (source)
열린 질문
총 inference 예산을 맞춰도 향상이 유지되는가? 선택적 위임은 얼마나 잘 작동하는가? 초록은 이 질문들을 해결하지 않는다. 논문 전문과 코드는 검토하지 않았다. (source)
인용
DynaFlow: Learning Free-Form Multi-Agent Orchestration, arXiv:2610.34467, 2026. (source)