Agent-World: AI 에이전트 진화를 위한 확장 가능한 환경 합성

중국 런민대학교의 연구자들이 AI 에이전트 훈련을 위한 다양한 환경을 자동으로 생성하는 프레임워크인 Agent-World를 발표했습니다. 20명의 저자가 참여한 이 논문은 수작업 벤치마크 제작의 대안을 제시하고 에이전트와 환경의 공진화를 더 견고한 에이전트형 지능으로 가는 길로 제안합니다.

기존 벤치마크가 부족한 이유

오늘날 대부분의 에이전트 벤치마크는 수작업으로 만들어집니다. 연구자들이 직접 작업, 도구, 평가 기준을 정의합니다. 이러한 접근 방식은 비용이 많이 들고 속도가 느리며, 에이전트(언어 모델로 구동되는 자율 프로그램)가 실제 세계에서 마주치는 시나리오의 다양성을 거의 다루지 못합니다. 제한된 작업 세트에서 훈련된 에이전트는 새로운 도메인으로의 일반화가 어렵고 엣지 케이스 커버리지도 제한적입니다.

Agent-World는 소스 발견부터 검증 가능한 작업 생성까지 전체 체인을 자동화하여 이러한 문제를 해결합니다. 이를 통해 이전에는 대규모 인력 없이는 상상할 수 없었던 수천 가지 다양한 주제에 대한 훈련의 확장이 가능해집니다.

프레임워크의 두 가지 핵심 구성요소

Agent-World는 두 가지 주요 구성요소로 이루어집니다. 첫 번째는 「환경-작업 발견」(Environment-Task Discovery)으로, 수천 가지 실제 환경 주제를 통해 데이터베이스와 도구 생태계를 자율적으로 탐색하고 난이도를 조절할 수 있는 검증 가능한 작업을 합성하는 모듈입니다.

두 번째 구성요소는 「자기 진화 에이전트 훈련」(Self-Evolving Agent Training)으로 불리며, 다중 환경에서의 강화 학습(에이전트가 각 단계의 보상으로부터 배우는 방법)과 동적 작업 합성을 결합합니다. 이 부분은 에이전트의 기술 격차를 자동으로 파악하고 추가 연습이 가장 필요한 곳에 새로운 작업을 생성합니다. 결과는 공진화입니다. 에이전트와 환경이 함께 성장하고 에이전트의 발전과 함께 작업이 점점 더 어려워집니다.

결과와 시사점

Agent-World의 80억 및 140억 파라미터 모델은 23개의 도전적인 에이전트 벤치마크에서 폐쇄형 상업용 베이스라인을 능가했습니다. 분석은 명확한 확장 추세를 보여줍니다. 다양한 환경이 많고 자기 진화 반복 횟수가 많을수록 성과가 향상됩니다.

한국과 더 넓은 글로벌 AI 커뮤니티에게, 이는 환경 생성을 위한 인프라가 갖춰진다면 미국의 폐쇄형 모델에 접근하지 않고도 고품질 에이전트를 훈련할 수 있음을 의미합니다. Agent-World는 내년 에이전트 연구의 초점이 모델 설계에서 환경 설계와 검증 가능한 작업 설계로 이동할 것을 시사합니다. 이는 조용하지만 중요한 패러다임 전환입니다.