웹 에이전트를 위한 장기 지속 학습 프레임워크 'HaMo' 제시

핵심 요약

• 웹 에이전트는 반복되는 다단계 작업에서 재사용 가능한 절차적 지식에 지속적으로 노출되지만, 기존 시스템은 모델 적응 또는 외부 메모리에 의존하면서 지속적 학습과 빠른 재사용 중 하나를 포기하는 한계가 있다.
• 이를 해결하기 위해 HaMo(Harness-Model 협력 프레임워크)를 제안하며, 빠른 비모수적 경험 축적과 느린 모수적 적응을 결합한다.
• HaMo는 궤적을 전략 수준의 경험 카드로 증류하여 즉시 검색 가능하도록 하고, 경험 조건부 지속 학습 목표를 통해 모델이 검색된 전략을 다양한 맥락에서 해석·기반·실행하도록 훈련한다.
• 검색 범위 기반 선택 메커니즘은 매개변수 업데이트를 위해 조밀하고 상호 보완적인 궤적을 식별한다.
• 실험 결과 HaMo는 도메인 내 및 도메인 간 변화에서 하네스 전용 및 모델 전용 적응을 능가하며, 절차적 경험을 보존하고 다양한 작업에 걸쳐 전이·실행하는 역량을 내재화하는 것의 중요성을 보여준다.