AI 에이전트의 실행 자동화 97% 달성 및 문제 정의 능력의 한계 분석

Context

AI 에이전트의 자가 개선 가능성을 검증하기 위해 Weak-to-Strong Supervision 구조의 자동화 실험 수행. 인간이 정의한 문제 범위 내에서 에이전트가 스스로 해결책을 최적화하는 Recursive Self-improvement의 실효성 검증에 집중.

Technical Solution

• Weak-to-Strong Supervision 프레임워크를 통한 하위 모델의 상위 모델 감독 체계 구축
• 인간 연구자의 개입을 최소화한 800시간의 누적 Compute 투입을 통한 Gap Closure 최적화
• Open-ended Problem 해결을 위한 LLM 기반 코드 생성 및 리뷰 루프 설계
• 모델 훈련 코드의 실행 속도 향상을 위한 Iterative Optimization 로직 적용
• 인간의 Decision Making 데이터를 학습 데이터로 활용한 Tactical Decision 판단력 강화
• Controlled Lab 환경에서의 실험 설계로 변수를 통제하여 에이전트의 실행 성능 극대화