Macaron-A2UI: 개인 에이전트를 위한 Generative UI 모델

Plain-text 대화는 정보 수집, 옵션 비교, 확인 등 복잡한 상호작용에서 인지 부담과 대화 길이를 증가시킨다. Generative UI는 대화 맥락에서 적합한 UI를 실시간으로 합성해 정보를 수집하고 의사결정을 간소화한다. 본 연구는 A2UI 프로토콜을 기반으로 대규모 Generative UI 코퍼스를 구축하고 벤치마크와 학습 파이프라인을 통해 실행 가능한 UI 생성을 학습한다.

단락 1: Generative UI는 대화 맥락에서 실행 가능한 UI를 생성하는 문제로, 고정된 텍스트 응답만으로 이루어진 기존 대화의 한계를 보완한다. A2UI 프로토콜은 렌더러가 신뢰 가능한 컴포넌트 카탈로그를 사용해 UI를 구성하도록 하여 프로토콜 준수와 재현 가능성을 보장한다. 단락 2: 네 가지 소스(MultiWOZ 2.2, SGD, ESConv, AnnoMI)에서 UI 턴을 추출하고 중간 인터랙션 표현으로 매핑한 뒤, 각 구성 요소를 UI 위젯으로 연결한다. 단락 3: Task-oriented 데이터는 규칙 기반 변환으로, 오픈 도메인 데이터는 Editor-Author 두 단계로 UI를 계획하고 구성 요소를 생성한다. 단락 4: 두 단계 학습(SFT + GRPO)은 최소 프롬프트 환경에서 내재화된 UI 생성 능력을 강화하고, L1/L2/L3 상태를 균형 있게 개선한다.

단락 1: 데이터 파이프라인은 네 가지 소스에서 대화 샘플(context, response)을 수집하고, 응답에 UI(payload)를 포함시키는 샘플을 생성한다. 이를 통해 '대화 맥락 → 자연어 응답 + A2UI 명령 시퀀스'를 학습 목표로 설정한다. 단락 2: Task-oriented 데이터는 상태 머신 형식의 UI 창출/갱신/제거를 통해 규칙 기반으로 UI를 구성하고, LLM은 텍스트 표현을 다듬는다. Open-domain 데이터는 Editor(전략 수립)와 Author(로컬 컴포넌트 생성)로 나뉘며, determinisitc post-processing으로 구조적 이슈를 수정한다. 단락 3: 4단계 검사 파이프라인(format, structure, binding, semantic)으로 렌더링 가능성을 보장하고, 29.2%의 augmentation를 통해 길고 드문 구성 요소를 보강한다. 단락 4: 학습은 두 단계로 진행된다. SFT는 y = (text_response, a2ui) 형식의 타깃 응답에 대해 각 턴에서 교차 엔트로피 손실 LSFT를 최소화하도록 학습한다. GRPO는 프롬프트 xi마다 G개의 후보를 샘플링하고, 후보별 보상 Ri,j를 내부 그룹 정규화 Ai,j으로 조정한 후, 각 토큰에 Ai,j를 곱해 로그 우도 손실을 최소화한다. 단락 5: 평가 지표는 L1(프로토콜 정확성), L2(태스크 구성), L3(유저 유용성)와 V1-3의 시각 평가를 함께 사용하며, 패널 방식으로 평가한다. 퍼포먼스는 Minimal-prompt 환경에서의 실무적 실행 가능성과 스키마 의존도에 따른 성능 차이를 함께 분석한다.

주요 결과로 Macaron-A2UI-Venti가 A2UI-Bench에서 75.6의 종합 언어 측 점수를 달성하며, Schema가 주어졌을 때의 상한보다도 강력한 성능을 보였다. Macaron-A2UI-Grande는 74.2로 GPT-5.4의 74.1을 약간 능가하고, 235B 계열은 74.2 수준의 강력한 성능을 기록한다. 데이터 세트별로 ESConv, AnnoMI에서 Macaron-A2UI-235B가 최상위를 차지했고, MultiWOZ와 SGD에서도 안정적 성능을 보였다. RL을 통한 GRPO 학습은 L1(프로토콜 정확성)을 먼저 크게 향상시키고, L2/L3는 점진적으로 개선되며, 235B 계열에서 특히 안정적으로 상승하는 경향이 나타났다. 30B 계열은 RL 이후 L3의 개선이 상대적으로 더딘 반면, 235B 계열은 L2/L3도 균형 있게 향상된다. 또한 Frontier 모델에 비해 Minimal-prompt 설정에서도 강력한 A2UI 성능을 보여주며, schema hint가 주어지는 경우에는 DeepSeek-GPT-3.5 등의 대규모 모델도 상향될 수 있음을 확인했다. 전체적으로 학습 파이프라인(SFT+RL)으로 프로토콜 정확성과 실행 가능한 UI 생성 능력을 크게 향상시키고, 스키마 의존 없이도 내재화가 가능함을 보인다.

단락 1: A2UI 기반 Generative UI의 전체 아키텍처는 시스템 명령(context) + 대화 히스토리 + 현재 사용자 메시지를 입력으로 받아 텍스트 응답과 실행 가능 UI 액션 시퀀스를 출력하는 방식이다. 단락 2: 데이터 파이프라인은 4개 소스에서 데이터를 수집하고, 중간 표현(intermediate interaction representation)으로 매핑한 뒤 A2UI 구성요소 군으로 연결한다. Task-oriented 데이터는 상태 머신 스타일의 UI 생성 규칙으로 처리하고, Open-domain 데이터는 Editor-Author 두 단계로 분해한다. 단락 3: Deterministic post-processing을 통해 enum 정규화, 바인딩 정합성, 레이아웃 제약 등을 수정하고, 4단계 렌더링 검사를 거쳐 런타임 렌더링 가능 여부를 보장한다. 단락 4: 학습은 LoRA 기반 SFT로 텍스트-UI 공동 생성 능력을 학습하고, GRPO를 통해 실행 가능한 인터랙션의 질을 향상시키며, L1/L2/L3 보상 구성으로 프로토콜 정확성, 태스크 구성, 사용자 가치의 균형을 맞춘다. 단락 5: 보상 설계는 포맷/구조/데이터 바인딩/행동의 완성도 등 하드 게이트를 먼저 만족시키고, 그 이후 L1-L3의 가중치를 적용한다.