핵심 요약
Sakana AI가 ICLR 2026에 발표한 Conductor는 7B 파라미터 모델이 강화학습으로 훈련돼 GPT-5, Gemini, Claude 등 프론티어 AI들을 자연어 워크플로우로 지휘하는 멀티에이전트 오케스트레이터다. 고정된 파이프라인 없이 문제 난이도에 따라 에이전트 구성을 동적으로 결정하며, LiveCodeBench 83.9%, GPQA-Diamond **87.5%**로 개별 워커 모델과 기존 멀티에이전트 베이스라인을 모두 능가했다.
문제 의식: 왜 오케스트레이터가 필요한가
멀티에이전트 시스템의 기존 접근은 두 가지 문제를 갖고 있었다.
첫째, 고정 워크플로우다. “Agent A → Agent B → Agent C” 같은 하드코딩된 파이프라인은 문제 유형이 달라지면 비효율이 발생한다. 쉬운 질문에도 불필요하게 여러 모델을 호출하는 낭비가 생긴다.
둘째, 수동 프롬프트 엔지니어링이다. 각 에이전트에 어떤 서브태스크를 어떻게 지시할지를 사람이 설계해야 한다. 이는 확장성의 병목이 된다.
Conductor는 이 두 문제를 동시에 해결한다. 오케스트레이터 자체를 학습 가능한 모델로 만들고, 지시문을 자연어로 동적 생성하게 한 것이다.
Conductor 작동 원리
Conductor가 하는 일은 세 가지다.
① 에이전트 선택: 워커 풀(GPT-5, Gemini, Claude, 오픈소스 모델 등)에서 해당 태스크에 맞는 모델을 선택한다.
② 서브태스크 지시: 선택한 에이전트에게 전달할 구체적인 프롬프트를 생성한다. Conductor가 일종의 전문가 프롬프트 엔지니어 역할을 맡는다.
③ 컨텍스트 관리: 어떤 정보를 어떤 에이전트에게 전달할지 결정해 불필요한 컨텍스트 오염을 막는다.
이 세 단계가 자연어 워크플로우로 출력되고, 워커들이 순차적·병렬적으로 실행된다.
핵심 특징: 두 가지 창발적 행동
적응형 파이프라인 구성
실험에서 Conductor는 문제 난이도에 따라 전략을 스스로 조정했다.
“For simple factual questions, it just queries one model. But for hard coding problems, it autonomously spins up a whole pipeline of planners, coders, and verifiers.”
단순 사실 질문엔 단일 모델 호출로 끝내고, 어려운 코딩 문제엔 플래너 → 코더 → 검증기 파이프라인을 자율 구성한다. 고정 워크플로우 없이 태스크 복잡도에 비례한 컴퓨팅 배분이 가능해진 것이다.
재귀적 테스트타임 스케일링
Conductor는 워커 풀에 자기 자신을 포함시킬 수 있다. 즉, 오케스트레이터가 워커로도 동작하는 재귀 구조다. 이를 통해:
- 이전 에이전트의 출력을 검토하고 오류를 탐지
- 교정 워크플로우를 추가로 생성
테스트타임에 컴퓨팅을 더 투입할수록 성능이 올라가는 스케일링 특성이 확인됐다.
성능
| 벤치마크 | Conductor | 개별 최강 모델 | Mixture-of-Agents |
|---|---|---|---|
| LiveCodeBench | 83.9% | 낮음 | 낮음 |
| GPQA-Diamond | 87.5% | 낮음 | 낮음 |
논문은 Conductor가 개별 워커 모델과 Mixture-of-Agents 등 기존 멀티에이전트 베이스라인을 더 낮은 컴퓨팅 비용으로 능가한다고 보고한다.
Fugu: Sakana의 상용 멀티에이전트 시스템
Conductor는 Sakana AI가 새롭게 공개한 멀티에이전트 시스템 Fugu의 핵심 기반이다. 이번 연구는 ICLR 2026에서 발표됐으며 arXiv(2512.04388)에서 전문을 볼 수 있다.
시사점
Conductor가 보여준 것은 단순한 성능 수치 이상이다. “더 큰 단일 모델"이 아닌 “더 똑똑한 조율자” 방향으로 AI 시스템 설계 패러다임이 이동하고 있음을 보여준다. 7B 모델이 수백억 파라미터 프론티어 모델들을 지휘해 더 나은 결과를 만들어낼 수 있다는 것은, 오케스트레이션 능력 자체가 독립적인 고부가가치 역량임을 시사한다.
에이전트 시대의 경쟁은 더 큰 모델이 아니라 더 잘 지휘하는 모델에서 갈릴 수도 있다.
원문: Learning to Orchestrate Agents in Natural Language with the Conductor — Sakana AI, 2026.04.27
논문: arXiv:2512.04388 · ICLR 2026