에이전트 학습의 전체 시스템 개선, WEFT 프레임워크 제시
원제 WEFT: Scaling Tool-Use Post-Training for General-Purpose Agents
추천 19댓글 2
Key Point
환경 확장만으로는 부족하다는 기존 접근의 한계를 지적하고, 에이전트 시스템 전체를 함께 개선하는 방식이 성능 향상에 실질적 영향을 미친다는 점을 실증한다.
핵심 요약
- 도구 사용 능력을 갖춘 AI 에이전트 학습을 위한 WEFT 프레임워크를 제안했다.
- 기존 방식은 환경만 확장했지만, WEFT는 환경·태스크·상호작용 다양성을 함께 키운다.
- 실행 중 발생한 실패를 추적하고 상태 증거를 이용해 문제 컴포넌트를 자동 수정하는 자진 진화 방식을 도입했다.
- 학습 안정성을 위해 검증된 진행을 유지하는 샘플링(prefix-preserving sampling)과 신용 할당을 원자적 단위로 처리하는 방식을 적용했다.
- MegaMCP는 여러 도구 서비스를 공유하면서도 롤아웃 간 상태를 독립적으로 관리해 오류 복구를 가능하게 한다.
- WEFT-8B와 WEFT-14B는 BFCL V4·τ²-Bench·Claw-Eval에서 같은 크기 환경 확장 기준 모델을 능가했다.
- 특히 WEFT-14B는 Agent-World-14B 대비 6.41~12.27 포인트 향상을 이뤘으며, WEFT-35B는 장시간 워크플로 벤치마크에서 추가 개선을 보였다.