Resource-Constrained Visual Agent의 Shared-State Collaboration 실패 모드 진단

TL;DR Highlight

4B~8B 소형 비전 모델에서 공유 메모리(화이트보드) 기반 멀티에이전트 협업이 오히려 성능을 떨어뜨리는 이유를 분석한 연구.

Who Should Read

멀티모달 QA 파이프라인에서 멀티에이전트 협업 구조를 설계하거나 소형 VLM(비전-언어 모델)을 실무에 도입하려는 ML 엔지니어 및 AI 에이전트 개발자.

Core Mechanics

공유 보드(shared board) 기반 협업이 '더 잘 추론할 것'이라는 직관과 달리, 4B~8B 소형 모델에서는 오히려 성능을 떨어뜨리는 'Efficiency Paradox'가 발생함.
첫 번째 실패 모드인 'Noise Reinforcement': 모델이 차트를 잘못 읽어 틀린 노트를 보드에 기록하면, 이후 에이전트가 그걸 사실인 근거로 재활용해 오류가 눈덩이처럼 굳어짐.
두 번째 실패 모드인 'Policy Collapse': 보드에 쌓인 요약 컨텍스트를 보면 모델이 최종 답변을 지나치게 짧게(0~16 토큰) 생성하는 방향으로 drift되어 VQA 커버리지가 붕괴함.
토큰 비용이 늘어날수록 성능이 오히려 하락하는 '음의 Pareto 구간'이 존재함. 즉 compute를 더 써도 품질 제어 없이는 손해.
가벼운 검증 게이트(verified-board)—같은 소형 모델이 'SUPPORTED/UNSUPPORTED' 판단—만 추가해도 ChartQAPro에서 naive 보드 사용으로 인한 성능 하락을 대부분 회복함.
이 실패 패턴은 Qwen3-VL-4B, Qwen3-VL-8B, Phi-4-multimodal, Gemma-3-4B 등 여러 아키텍처에서 일관되게 관찰되어 특정 모델 문제가 아닌 용량(capacity) 체제의 문제임.

Evidence

ChartQAPro에서 Qwen3-VL-4B 기준 baseline EM 0.139 → single board EM 0.081 → 두 에이전트 CoSee EM 0.120. 보드 사용이 baseline보다 최대 42% 낮은 EM을 기록.
SlideVQA에서 CoSee(two qwen, 4B) EM은 0.570으로, baseline 0.680 대비 -11.0pp 하락, 95% CI [-16.5, -6.2], P(△>0)=0.03으로 통계적으로 유의미한 악화.
Verified-board 도입 시 ChartQAPro raw EM이 0.081(naive board) → 0.131로 회복. 검증 게이트 하나로 degradation의 대부분을 복구.
Majority voting(temperature=0.7, N=5) 앙상블은 +1.2pp EM 개선을 위해 ~200 토큰/샘플을 소비하는 반면, verified-board는 ~25 토큰만 추가로 동등한 baseline 수준을 달성.

How to Apply

소형 VLM(≤8B)으로 차트·문서 QA 파이프라인을 만들 때, 멀티에이전트가 보드에 노트를 쓰기 전에 동일 모델로 'SUPPORTED/UNSUPPORTED/UNCERTAIN' 검증 콜을 1회 추가하면 노이즈 누적을 차단할 수 있음. 검증 프롬프트는 본 논문 Appendix J.2의 Verification Prompt 템플릿을 그대로 사용 가능.
오픈엔디드 QA(VQAonline 류)에서 보드 기반 협업을 쓸 경우, Policy Collapse 방지를 위해 최종 답변 생성 프롬프트에 최소 길이/커버리지 제약(예: '최소 6개 bullet 또는 80+ 토큰')을 명시하면 Token-F1이 부분적으로 회복됨.
비용 대비 성능을 측정할 때, 단순 토큰 수 외에 시각 인코딩 비용(멀티턴이면 N배 발생)을 함께 집계해야 실제 Pareto 효율을 정확히 파악할 수 있음. 논문의 Cost–Accuracy Pareto frontier 분석 방식을 평가 파이프라인에 적용할 것.

Code Example

snippet

# Verified-Board 게이트 예시 (논문 Appendix J.2 기반)

def verify_note(model, image, question, note_content):
    prompt = f"""
Task: Verify if the claim is directly supported by the image.
CLAIM: {note_content}
QUESTION: {question}
INSTRUCTION: Look at the image. Is the claim supported by visible evidence?
Output strictly one token: SUPPORTED, UNSUPPORTED, or UNCERTAIN.
"""
    response = model.generate(image=image, text=prompt, max_new_tokens=4, temperature=0)
    return response.strip()

def write_to_board_verified(board, model, image, question, proposed_note):
    """검증 통과한 노트만 보드에 기록"""
    verdict = verify_note(model, image, question, proposed_note)
    if verdict == "SUPPORTED":
        board.append(proposed_note)
        return True, "accepted"
    else:
        return False, f"rejected ({verdict})"

# 최종 답변 생성 시 Policy Collapse 방지용 길이 제약 추가
final_prompt_template = """
You are a helpful assistant.
BOARD HISTORY: {board_summary}
QUESTION: {question}
INSTRUCTION: Answer the question based on the image and the board history.
If the board contains errors, prioritize the image.
Write a complete answer with sufficient coverage. Use at least 6 bullet points (or 80+ tokens) unless the question is inherently short.
FORMAT: "Final Answer: <answer>"
"""

Terminology

VLMVision Language Model의 약자. 이미지와 텍스트를 함께 이해하는 AI 모델. GPT-4V나 Qwen3-VL처럼 그림 보고 질문에 답하는 모델을 말함.

Shared Board여러 AI 에이전트가 공동으로 읽고 쓸 수 있는 외부 메모장. 인간 팀이 화이트보드에 아이디어를 적고 공유하는 것과 유사.

Noise Reinforcement초기에 잘못된 정보가 보드에 기록되면 이후 에이전트들이 그걸 사실로 믿고 계속 활용하면서 오류가 굳어지는 현상. 오보가 반복 인용되면서 '팩트'가 되는 것과 비슷.

Policy Collapse모델이 긴 답변을 써야 하는 상황에서 갑자기 매우 짧은 답만 내놓게 되는 현상. 중간 컨텍스트의 스타일에 영향받아 출력 스타일이 망가지는 것.

Pareto Frontier비용(토큰 수)과 성능(정확도) 사이의 최적 트레이드오프 선. 이 선보다 아래에 있는 방법은 같은 비용에 더 낮은 성능을 내는 비효율적인 선택.

Attention Dilution모델이 이미지 같은 고차원 시각 정보보다 텍스트 요약에 과도하게 집중하게 되는 현상. 소형 모델은 이미지를 제대로 '보지 않고' 텍스트 노트만 읽는 경향.

Open-Loop vs Closed-LoopOpen-loop는 중간 오류를 검증 없이 그냥 다음 단계로 넘기는 구조, Closed-loop는 피드백(검증 게이트)으로 오류를 걸러내는 구조. 자동차로 비유하면 눈 감고 운전 vs 계속 방향을 확인하며 운전.