에이전트 스킬은 텍스트를 넘어야 한다: 시각적 스킬의 필요성

이 논문은 시각 중심 에이전트를 위해 텍스트 논리와 시각적 단서를 결합한 멀티모달 스킬 프레임워크를 제안한다.

재사용 가능한 지식을 정적 priors, 동적 시각 작업 메모리, 교차 배치된 시각 스킬로 저장해 공간적·상태 의존적 맥락을 반영한다.

또한 작업 trajectory를 이러한 멀티모달 스킬로 자동 변환하는 파이프라인을 제시한다.

실험 결과, 이 스킬은 GUI 등 시각 중심 벤치마크에서 텍스트 전용 스킬보다 더 좋은 성능을 보였다.