Domain-specialized RL 기반 Long-horizon Agentic Stack 구현

Context

기존 Coding Model이 단일 파일 단위의 Local Task에 국한되어 Multi-file 및 Infrastructure 중심의 복잡한 작업 수행 시 Context Drift와 Tool Call 실패가 빈번한 한계 발생. 상태 관리 및 실행 복잡성으로 인해 Long-running Task의 일관성 유지가 어려운 병목 지점 식별.

Technical Solution

• Domain-specialized Reinforcement Learning(RL) 적용을 통한 Software Engineering Workflow 최적화
• Base Model 기반의 Continued Pretraining 후 실제 Agent Harness 환경 내 대규모 RL 수행
• Terminal, Tool, Multi-step Execution Chain 등 실제 운영 환경을 학습 데이터 루프에 통합하여 Benchmark 중심 학습의 한계 극복
• Kimi K2.5 Base Checkpoint를 활용하되 RL Infrastructure 및 Agent Training Environment를 통한 기술적 차별화 전략 채택
• 단순 코드 생성을 넘어 Planning, Execution, Recovery 능력을 갖춘 Agentic Software Engineering Stack으로 아키텍처 확장