긴 작업 완수하는 AI 에이전트 학습 데이터 합성법 공개

핵심 요약

• 장시간에 걸쳐 현실의 전문 업무를 완료하는 터미널 에이전트 개발에 적합한 학습 데이터가 부족한 문제를 다룬다.
• 기존 환경 합성 방식은 탐색, 구현, 검증 같은 에이전트의 핵심 활동을 미리 완료해 버려서 에이전트가 배울 수 없다는 한계가 있다.
• 이를 해결하기 위해 TerminalHorizon이라는 자동화된 데이터 합성 엔진을 제안하는데, 실제 전문 업무에서 시작해 독립 실행으로 빠진 작업을 파악하고 환경을 재구성한다.
• 같은 목표 하에서 단계별로 새로운 요구사항을 추가하며 작업을 확장해 추가 탐색과 개선을 유도한다.
• 이 엔진으로 1.5천 개의 작업 환경을 만들어 Qwen 3.5-27B 모델을 감독 학습으로 미세조정해 TerminalHorizon-27B를 개발했다.
• 코딩 에이전트, 실제 운영 환경의 에이전트 작업, 일반 추론을 포함한 12개 벤치마크 모두에서 뚜렷한 성능 향상을 달성했다.
• 12시간 연구 예산의 RSI 사례 연구들은 모델이 초기 솔루션 이후에도 실험을 계속하고, 피드백에 따라 방법을 개선하며, 최종 결과물에 개선사항을 유지하는 능력을 보여준다.