AI 에이전트 위한 합성형 환경 생성 기법 공개
원제 CompoWorld: Compositional Environment Scaling for General Agents
추천 30댓글 1
Key Point
다중 서비스 환경에서 작동하는 AI 에이전트를 더 효율적으로 훈련하는 새로운 방법론이 나왔으며, 동급 모델 대비 실제 자동화 작업에서 뛰어난 성능을 입증했다.
핵심 요약
- AI 에이전트 학습을 위해 자동으로 생성되는 환경이 확대되고 있지만, 기존 방식은 단일 환경 내 작업만 생성했다.
- CompoWorld는 재사용 가능한 서비스들을 조합해 작업 공간을 확장하는 기법으로, 현실의 다중 서비스 워크플로우를 반영한다.
- 코딩 에이전트가 도구 명세를 타입 지정 상태와 공유 인터페이스로 검증된 서비스로 전환하고, 신뢰도 낮은 도구는 월드 모델이 담당한다.
- 랜덤 워크 절차로 의존성 그래프를 통해 서비스들을 연결하고, 정보가 여러 서비스를 거쳐 흐르는 작업을 생성·검증한다.
- 검증된 궤적으로 지도학습을 수행하고, 낮은 성공률 기준을 강조하는 완료 지향 보상 함수로 강화학습을 유도한다.
- 448개 서비스와 10,130개 도구를 구축했으며, 3,000개 지도학습 궤적과 1,000개 강화학습 작업으로 Qwen 3.6-35B-A3B 모델을 훈련했다.
- CompoWorld로 훈련된 모델은 기존 모델 대비 8개 벤치마크에서 평균 9.17포인트 향상했고, AutomationBench에서는 Claude Opus 4.6 같은 최신 모델을 초과했다.
- 35B 규모 에이전트 모델 중에서도 가장 우수한 성능을 보였다.