Antigravity Agent
34 lines
2.6 KiB
Markdown
34 lines
2.6 KiB
Markdown
---
|
|
id: PREI-AUTO-ENC-DEC-INC-001
|
|
category: Unified
|
|
confidence_score: 0.95
|
|
tags: [auto-reinforced, [[Encoder-Decoder-Inconsistency|Encoder-Decoder-Inconsistency]], [[RAG|RAG]], alignment, semantic-gap, inference-quality]
|
|
last_reinforced: 2026-05-05
|
|
---
|
|
|
|
# [[Encoder-Decoder-Inconsistency|인코더-디코더 불일치 (Encoder-Decoder Inconsistency)]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "찾아온 사람(인코더)과 대답하는 사람(디코더)이 서로 다른 언어와 가치관을 가졌을 때 발생하는 인지적 불협화음: [[RAG|RAG]] 성능 저하의 숨은 주범."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
인코더-디코더 불일치는 텍스트를 벡터로 변환하여 검색하는 모델(인코더)과 텍스트를 생성하는 모델(디코더)이 동일한 정보를 서로 다르게 해석할 때 발생합니다.
|
|
|
|
1. **발생 원인**:
|
|
* 두 모델이 서로 다른 데이터셋으로 훈련되었거나, 학습 목표(검색 vs 생성)가 상이하여 텍스트의 중요도를 판단하는 기준이 다르기 때문.
|
|
* 특히 검색 기반의 [[RAG|RAG]] 아키텍처에서 두 독립적인 모델을 결합할 때 흔히 발생.
|
|
2. **부작용**:
|
|
* 인코더가 '중요하다'고 판단하여 가져온 문서가 디코더의 입장에서는 '무의미'하거나 '방해'되는 정보일 수 있으며, 이로 인해 답변의 정확도가 하락함.
|
|
3. **해결 전략 (Alignment)**:
|
|
* **[[E2LLM|E2LLM]] 방식**: 어댑터를 통해 인코더의 출력을 디코더의 입력 공간과 물리적으로 정렬.
|
|
* **상호 훈련**: 인코더와 디코더를 공동 학습시켜 동일한 의미론적 해상도를 갖도록 조율.
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **독립성의 트레이드오프 (RL Update)**: 모델을 분리해서 쓰면 구축이 빠르고 유연하지만(Plug-and-play), 불일치로 인한 오류 전파를 피하기 어려움. 따라서 고성능 시스템일수록 두 모델 사이의 '의미적 밀착도'를 높이는 정렬 과정이 필수적임.
|
|
- **Antigravity 정책**: 검색 엔진 Astra는 검색 성능만을 보지 않고, 가져온 결과가 에이전트의 생성 품질에 기여하는지를 실시간으로 점수화하는 '하용론적 피드백'을 통해 이 불일치 문제를 해결함.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[RAG|RAG]], [[E2LLM|E2LLM]], [[Context-Integration|Context-Integration]], [[AI-Alignment|AI-Alignment]]
|
|
- **Raw Source**: Datacollector_MAC/out_wiki/인코더-디코더 불일치 (Encoder-Decoder Inconsistency).md
|
|
---
|