DeepSeek-V3.2와 GLM-5의 메모리 접근 방식이 다른 이유
HuggingFace 연구에 따르면 에이전트형 메모리는 모델별 보정이 필요하며, DeepSeek-V3.2는 전체 가이드라인 적용으로 +9.5pp 정확도가 향상된 반면 더 작은 모델들은 동일한 부하에서 실패했습니다.
허깅페이스 연구자들은 '에이전트 메모리' — 과거 에이전트 궤적에서 추출된 가이드라인 — 이 8개의 서로 다른 LLM에 걸쳐 성능에 미치는 영향을 분석하는 연구를 발표했다. 더 많은 메모리가 항상 도움이 된다는 가정과 달리, 결과는 메모리가 보정되어야 하는 용량임을 보여준다. 강력한 모델인 DeepSeek-v3.2는 전체 가이드라인 세트에서 +9.5pp 작업 완료를 얻었지만, 약한 모델인 117B GPT-OSS-120B는 컨텍스트 노이즈를 피하기 위해 선택적 검색 방법을 선호했다. 포화 모델인 GLM-5는 메모리 주입에 관계없이 측정 가능한 이득을 보이지 않았는데, 이는 아마도 성능 한계 또는 관련 없는 안내 때문일 것이다. 이 방법은 모델 가중치가 아닌 에이전트의 컨텍스트를 변경하기 때문에 개발자가 메모리 크기를 특정 모델 아키텍처에 맞게 조정하는 경우 에이전트를 개선하는 저렴하고 이식 가능한 방법을 제공한다.