MOCHA: 다중 목표 Chebyshev Annealing으로 LLM 에이전트 스킬 최적화 — 6개 태스크 중 4개에서 기존 옵티마이저 실패, 평균 정확도 7.5% 향상

Adobe Research가 LLM 에이전트의 스킬(구조화된 자연어 프롬프트)을 다중 목표 관점에서 최적화하는 MOCHA를 제안했습니다. 기존 옵티마이저는 태스크 성능과 플랫폼 제약(설명 길이, 명령어 압축, 컨텍스트 경쟁) 간 트레이드오프를 단순 가중합으로 처리해 비볼록 영역의 파레토 최적해를 놓치는 반면, MOCHA는 Chebyshev scalarization으로 파레토 프론트 전체를 커버하고 지수 어닐링으로 탐색-활용 전환을 조절합니다. 6개 에이전트 스킬 실험에서 기존 방식은 4개 태스크에서 전혀 개선하지 못했으나, MOCHA는 모든 태스크에서 평균 정확도 7.5% 향상(FEVER 14.9%, TheoremQA 10.4%)을 달성했고, 파레토 최적 변종을 2배 더 많이 발견했습니다. 다만 실험은 동일 변이 연산자와 피드백 조건에서 진행되어, 실제 플랫폼 제약이 더 복잡할 경우 일반화 가능성은 추가 검증이 필요합니다.

• #llm-agents
• #multi-objective-optimization
• #adobe-research
• #prompt-optimization