AI 에이전트, 채택 안 된 수정도 성능 개선에 활용
제목 연관성·주요 수치·시장 영향·향후 전망을 기준으로 핵심 문장을 선별한 요약 브리핑입니다.
핵심 포인트
- 연구진이 수정 전후를 같은 출발점에서 비교하고, 채택되지 않은 수정 결과도 다음 개선에 반영하는 HMED를 제안했다.
- 6개 실험 설정에서 비교 대상보다 높은 평균 후속 성능을 기록했다.
- AI 에이전트가 채택하지 않은 수정안의 결과까지 다음 개선에 활용하는 방법이 제시됐다.
본문
연구진이 수정 전후를 같은 출발점에서 비교하고, 채택되지 않은 수정 결과도 다음 개선에 반영하는 HMED를 제안했다. 6개 실험 설정에서 비교 대상보다 높은 평균 후속 성능을 기록했다. AI 에이전트가 채택하지 않은 수정안의 결과까지 다음 개선에 활용하는 방법이 제시됐다. 연구진이 제안한 HMED는 두 모델과 세 가지 평가 과제를 조합한 6개 실험 설정에서 비교 대상보다 높은 평균 후속 성능을 기록했다. 칭화대와 상하이교통대, 상하이혁신연구원 소속 연구진은 10월 6일 논문 사전 공개 사이트 arXiv에 ‘수정 결과에서 배우기: 자기 개선 에이전트를 위한 사후 메타 경험 증류’를 공개했다. 수정안이 채택되지 않더라도 탐색 과정과 발견한 능력이 어떻게 달라졌는지는 이후 개선에 활용할 수 있다.
연구진은 Qwen3-32B와 DeepSeek-v4-Flash 모델을 ALFWorld, ScienceWorld, BiomniBench-DA 등 세 가지 과제에 적용했다.
Qwen3-32B의 ALFWorld 성공률은 기존 메타 스킬 진화 방식인 MetaSkill-Evolve의 51.49%에서 HMED의 54.11%로 높아졌다. ScienceWorld 성공률은 20.84%에서 22.56%로 상승했다. 연구진은 수정 결과를 다음 개선에 전달하는 과정도 해당 실험의 성능 차이에 기여했다고 설명했다. 두 연구는 실패에서 얻은 정보를 이후 개선에 활용한다는 점에서 맞닿아 있지만, 이번 논문은 수정 전후의 메타 스킬을 같은 상태에서 비교하는 방법을 다뤘다. 본 기사는 시장 데이터 및 차트 분석을 바탕으로 작성되었으며, 특정 종목에 대한 투자 권유가 아닙니다.