ActiveSaddler 공개
ActiveSaddler 공개 — 기존 LLM 에이전트 최적화가 '하네스를 어떻게 갱신하는가'는 다루면서 '어떤 학습 시나리오가 그 피드백을 만드는가'는 대체로 고정해 둔다는 점을 지적하고, 비정상(non-stationary) 밴딧으로 커리큘럼을 하네스 진화와 함께 적응시킴. 반복되는 에이전트 실패를 재사용 가능한 실패 패턴으로 추상화하고, 각 패턴을 겨눌 때 얻을 학습 잠재력을 추정해 이미 아는 약점의 활용과 새 실패 상황의 탐색을 저울질한다. 고정 시나리오 순서를 쓰는 기준 하네스 최적화 대비 GAIA2에서 Pass@1 +4.4%p, Terminal-Bench 2.0에서 +7.5%p. arXiv 2610.00906.
왜 중요한가
하네스 엔지니어링의 최적화 대상이 '무엇을 고치는가'에서 '무엇을 시험하는가'로 넓어졌다. 실패를 패턴으로 추상화해 커리큘럼을 자동 편성한다는 것은 에이전트 개선 루프에서 사람이 시나리오를 고르던 자리를 대체하는 일이고, 재귀적 자기개선(축⑫)과 맞닿는다.
출처 — 1차 출처를 우선 확인하고, 2차 보도는 「보도」로 따로 표시해요
논문arxiv.orghttps://arxiv.org/abs/2610.009062026년 41주차에 더한 기록이에요 · 그 주 보기