쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 11월 16일 (월)까지4683건
12건 · "자동 최적화"조건 지우기 ×
001▲ 32 · 댓글 5LLM 학습 성능 자동 최적화하는 에이전트 InfraRSI 공개분산 LLM 학습은 발사 설정·연산자 커널·통신 스케줄이 긴밀하게 결합되어 단일 수정이 OOM·컴파일러 충돌·측정 잡음·수치 오차를 야기하는 문제가 있다.AI · 머신러닝 · InfraRSI: Harnessing Recursive Self-Improvement for Training Infrastructure

Key Point대규모 LLM 학습 시 메모리 충돌과 수치 오차를 자동으로 해결하면서 성능을 30% 이상 끌어올리는 방식으로, 학습 클러스터 운영 효율성의 새로운 기준을 제시한다.
핵심 요약
- 분산 LLM 학습은 발사 설정·연산자 커널·통신 스케줄이 긴밀하게 결합되어 단일 수정이 OOM·컴파일러 충돌·측정 잡음·수치 오차를 야기하는 문제가 있다.
- InfraRSI는 에이전트형 도구로, 사용자 명령을 다섯 단계 워크플로우(초기화·진단·실행·검증·보고)를 통해 검증된 학습 최적화로 변환한다.
- 초기화 단계에서는 수정 가능한 범위와 워크로드·손실·타이밍 불변식에 대한 고정 계약을 설정하여 보상 해킹을 방지한다.
전체 요약 11문장 읽기 → 002▲ 19 · 댓글 2LLM 추론 최적화 AI가 자동으로 알고리즘 발견추측 기반 디코딩(Speculative Decoding)은 경량 드래프터로 LLM 추론을 가속화하지만, 병렬 드래프팅을 지원하는 기존 시스템들이 최대 성능을 내지 못하고 있다.AI · 머신러닝 · SpecPilot: Autonomous Algorithm Discovery and Systems Optimization for Speculative Decoding

Key Point추측 기반 디코딩의 실제 성능 격차를 AI 에이전트가 자동으로 찾아 배포 환경마다 최적화하는 방식으로, LLM 서빙 속도를 2배 이상 개선한 기술이다.
핵심 요약
- 추측 기반 디코딩(Speculative Decoding)은 경량 드래프터로 LLM 추론을 가속화하지만, 병렬 드래프팅을 지원하는 기존 시스템들이 최대 성능을 내지 못하고 있다.
- 문제는 세 가지다: 단일 요청 시 각 단계에서 적은 토큰만 인식하면서 모든 타겟 가중치를 읽으고, 배치 처리 시 요청당 검증 작업이 자동 회귀 방식 대비 속도 향상을 절반으로 줄이며, 최적화가 배포 환경·드래프터·타겟 모델·GPU에 따라 달라진다.
- SpecPilot은 에이전트 루프로 각 배포에 최적화된 알고리즘과 시스템 최적화를 자동으로 발견한다.
전체 요약 7문장 읽기 → 003▲ 17 · 댓글 2학생 모델이 생성한 질문을 자동으로 최적화해 증류 학습 개선온-폴리시 증류(OPD) 기법에서 적은 수의 학습 질문만으로도 효과적인 결과를 얻을 수 있다는 발견이 동기가 되어, 질문을 분포적 지식 전달의 매개체로 봄.AI · 머신러닝 · Ask to Distill: Learning to Synthesize Data for On-Policy Distillation

Key Point학생 모델이 생성한 합성 데이터만으로도 실제 데이터와 같은 수준의 증류 학습 효과를 얻을 수 있으며, 정답이나 보상 없이도 질문 품질을 자동 최적화하는 방법을 제시해 데이터 수집 비용을 크게 줄일 수 있다.
핵심 요약
- 온-폴리시 증류(OPD) 기법에서 적은 수의 학습 질문만으로도 효과적인 결과를 얻을 수 있다는 발견이 동기가 되어, 질문을 분포적 지식 전달의 매개체로 봄.
- 새로 생성한 질문이 증류 학습에 가치 있는지 평가하되, 정답에 접근하지 않고도 더 나은 질문을 자동 생성하는 'Ask-to-Distill' 프레임워크를 제시.
- 학생 모델 기반의 합성 엔진을 학생과 교사의 불일치도, 교사 확률 질량, 길이·다양성 제어를 결합한 분포적 대리 지표로 최적화.
전체 요약 7문장 읽기 → 004▲ 12 · 댓글 2확률 오차 줄이는 AI 에이전트 프레임워크 RiseHarness장시간 작업을 수행하는 터미널 에이전트는 한 번은 성공하지만 반복 실행 시 실패하는 문제가 있으며, 확률적 오류가 액션과 컨텍스트를 거쳐 누적된다.AI · 머신러닝 · Harness Self-Evolution for Long-Horizon Terminal Agents

Key Point모델 가중치를 고정하고 실행 로직만 개선해 AI 에이전트의 신뢰성을 높이는 새로운 접근법으로, 확률적 오류로 인한 작업 실패 문제를 체계적으로 해결하는 방법을 제시한다.
핵심 요약
- 장시간 작업을 수행하는 터미널 에이전트는 한 번은 성공하지만 반복 실행 시 실패하는 문제가 있으며, 확률적 오류가 액션과 컨텍스트를 거쳐 누적된다.
- RiseHarness는 모델 가중치를 고정한 채로 에이전트 하네스(harness)를 반복 개선하는 프레임워크로, 같은 설정에서 성공과 실패를 오가는 작업에 초점을 맞춘다.
- 런타임 모니터에서 수집한 내부 하네스 추적과 에이전트 궤적을 결합해 모델 액션이 명령 실행, 피드백, 컨텍스트 관리, 완료 결정과 어떻게 상호작용하는지 검토한다.
전체 요약 9문장 읽기 → 005▲ 22 · 댓글 2AI 에이전트가 자신의 인터페이스를 진화시킨다기존 컴퓨터 사용 에이전트는 인간이 정해준 고정된 인터페이스로만 작동하는데, 메모리셀 단위 입력처럼 비효율적인 작업을 반복하거나 파일 전체를 출력하는 등의 한계를 가지고 있다.AI · 머신러닝 · Evolving Agent Interfaces

Key PointAI 에이전트가 직접 자신의 작업 인터페이스를 설계·최적화하면서 더 작은 모델로 기존의 고사양 모델을 능가하는 성과를 낸 것으로, 컴퓨터 사용 에이전트의 성능 향상 경로가 근본적으로 바뀔 수 있음을 보여준다.
핵심 요약
- 기존 컴퓨터 사용 에이전트는 인간이 정해준 고정된 인터페이스로만 작동하는데, 메모리셀 단위 입력처럼 비효율적인 작업을 반복하거나 파일 전체를 출력하는 등의 한계를 가지고 있다.
- 연구팀은 인터페이스 설계 자체를 에이전트의 능력으로 만들어야 한다고 주장하며 Agent S4를 제안했다.
- Agent S4는 메타 에이전트가 합성 훈련 작업에서 태스크 에이전트의 궤적을 분석하고, 성공 라벨 없이 인터페이스와 사용 지식을 자동으로 구축·수정하는 인터페이스 저장소를 관리한다.
전체 요약 8문장 읽기 → 006▲ 201 · 댓글 7AI 에이전트가 자기 자신을 개선하는 프레임워크모델 가중치는 고정한 채 프롬프트, 메모리, 워크플로우, 실행 가능한 컴포넌트 같은 에이전트 소프트웨어를 자동으로 수정하는 프레임워크를 제시한다.AI · 머신러닝 · Self-Evolving Agent Harness

Key PointAI 에이전트가 모델을 바꾸지 않고도 스스로의 동작을 개선하는 구체적인 방법론과 이론이 담겨 있어, AI 시스템의 자동 최적화와 신뢰성 검증에 관심 있는 연구자와 개발자가 반드시 봐야 한다.
핵심 요약
- 모델 가중치는 고정한 채 프롬프트, 메모리, 워크플로우, 실행 가능한 컴포넌트 같은 에이전트 소프트웨어를 자동으로 수정하는 프레임워크를 제시한다.
- 피드백 기반 프로세스를 형식화하여 승인된 수정사항이 계속 유지되도록 하고, 업데이트 대상을 제안·승인 메커니즘과 분리했다.
- 해석된 상태 변화와 도구·코드 수정, 저장소 제어 논리, 플러그인 구성을 구별하여 관리한다.
전체 요약 8문장 읽기 → 007▲ 77 · 댓글 1LLM 에이전트를 위한 재귀적 하네스 자동개선 프레임워크LLM 에이전트의 성능은 모델뿐 아니라 실행 하네스에도 의존하는데, 미지의 과제가 많은 실제 환경에서는 신뢰할 수 있는 검증기가 없어 하네스를 개선하기 어렵다.AI · 머신러닝 · Harness^2: Recursive Agent Harnessing for an Open World

Key Point하네스 개선의 일반화 가능성이 높아져 더 많은 LLM 에이전트 애플리케이션에서 성능 향상을 기대할 수 있기 때문이다.
핵심 요약
- LLM 에이전트의 성능은 모델뿐 아니라 실행 하네스에도 의존하는데, 미지의 과제가 많은 실제 환경에서는 신뢰할 수 있는 검증기가 없어 하네스를 개선하기 어렵다.
- Harness²는 과제 수준과 하네싱 수준에서 두 단계 재귀를 통해 이 문제를 해결하는 프레임워크다.
- 과제 수준 재귀는 Propose-Probe-Compose 단계에서 대비 학습으로 최적 하네스를 찾으며, 병렬·순차 재귀로 더 확장할 수 있다.
전체 요약 5문장 읽기 → 008▲ 10 · 댓글 1쿼리마다 다른 에이전트 구조 자동 설계하는 SHIFT 발표멀티에이전트 시스템의 역할·명령어·도구·통신 구조(harness)는 각 쿼리에 따라 달라져야 하는데, 기존에는 추론 시 여러 옵션을 실행하거나 수동으로 설계해야 했다.AI · 머신러닝 · Dynamic Harness Search: Building Multi-Agent Systems Per-Query via Prediction

Key Point마이크로소프트·구글 같은 기업들도 멀티에이전트 워크플로우를 점점 더 활용하고 있는 가운데, 각 질문에 맞는 최적의 에이전트 구조를 비용 효율적으로 자동 설계하는 방법이 제시되었기 때문이다.
핵심 요약
- 멀티에이전트 시스템의 역할·명령어·도구·통신 구조(harness)는 각 쿼리에 따라 달라져야 하는데, 기존에는 추론 시 여러 옵션을 실행하거나 수동으로 설계해야 했다.
- SHIFT는 로컬 LLM 아키텍트가 탐색으로부터 harness 구성 정책과, 실행 결과로부터 정확도 대비 실행 비용을 예측하는 가치함수를 학습한다.
- 각 쿼리마다 Monte Carlo tree search가 이 예측값들을 이용해 harness를 구성하므로, 실행 과정을 탐색 루프 밖으로 옮긴다.
전체 요약 7문장 읽기 → 009▲ 18 · 댓글 2AI 에이전트 제어 로직 자동 최적화, MILO 프레임워크AI 에이전트의 성능은 모델뿐만 아니라 실행을 제어하는 하니스 설계에 크게 좌우되는데, 이를 수작업으로 탐색하는 것이 비효율적이다.AI · 머신러닝 · MILO: Automated Harness Discovery via Orchestrated Multi-Agent Evolution

Key PointAI 에이전트의 프롬프트나 도구를 수작업으로 최적화하는 시대가 끝나고, 전체 제어 로직을 자동으로 발견·진화시키는 방법이 등장했으며, 기존 방법들보다 현저히 높은 성능 향상을 입증했다.
핵심 요약
- AI 에이전트의 성능은 모델뿐만 아니라 실행을 제어하는 하니스 설계에 크게 좌우되는데, 이를 수작업으로 탐색하는 것이 비효율적이다.
- MILO는 에이전트 하니스와 그 발견 방법을 동시에 진화시키는 자동화 프레임워크로, 계층적 계보 메모리, 각 탐색 영역별 뮤테이터 에이전트, 그리고 검색 전략을 적응시키는 오케스트레이터로 구성된다.
- 버려진 변이를 부정 증거로 활용하는 계보 메모리, 전역 탐색 이력과 부모 피드백을 바탕으로 완전한 하니스를 재작성하는 뮤테이터 에이전트, 계보 이식과 종분화를 통해 검색을 적응시키는 오케스트레이터의 세 가지 메커니즘이 핵심이다.
전체 요약 7문장 읽기 → 010▲ 120 · 댓글 54하드웨어별 자동 최적화하는 오픈소스 추론 엔진 Magnitude 출시YC S25 배치 스타트업 Magnitude가 에이전트용 오픈소스 추론 엔진을 공개했다.AI · 머신러닝 · Launch HN: Magnitude (YC S25) – Self-optimizing inference engine for agents

Key Point로컬 추론 성능을 llama.cpp 대비 최대 2배 개선하면서 기존 에이전트와의 호환성을 유지한다는 점에서 에이전트 개발자와 프라이빗 AI 추론 사용자에게 실질적인 성능 이득이 생긴다.
핵심 요약
- YC S25 배치 스타트업 Magnitude가 에이전트용 오픈소스 추론 엔진을 공개했다.
- 기기별로 커널을 컴파일·튜닝해 오픈 모델을 llama.cpp보다 최대 2배 빠르게 실행한다(Metal에서 92% 더 빠름, CUDA에서 19% 더 빠름).
- macOS, Windows, Linux에서 Apple Silicon, NVIDIA, AMD GPU 또는 CPU만으로 작동한다.
전체 요약 11문장 읽기 → 011▲ 14 · 댓글 1AI가 이미지 생성 명령어를 자동 최적화 — 다중 참고 이미지 합성 성능 향상최신 이미지 생성 모델은 여러 참고 이미지를 입력받아 새로운 이미지로 합성할 수 있지만, 피사체 생략·중복·부자연스러운 합성 같은 문제가 남아있다.AI · 머신러닝 · AutoRef: Harness Optimization for Agentic Multi-Reference Image Generation

Key Point다중 참고 이미지를 정확히 합성하는 방법이 AI 생성 품질을 크게 결정하는데, 기존의 손으로 만든 명령어 대신 자동으로 최적화하는 기법이 상용 모델 수준의 결과를 만들어낸 점이 중요하다.
핵심 요약
- 최신 이미지 생성 모델은 여러 참고 이미지를 입력받아 새로운 이미지로 합성할 수 있지만, 피사체 생략·중복·부자연스러운 합성 같은 문제가 남아있다.
- 최근 연구들은 이미지 생성 모델·추론 모델·하네스(생성 방식을 정의하는 실행 프로그램)를 결합한 에이전트 기반 접근법을 제안했다.
- 다중 참고 이미지 생성에서는 각 참고 이미지의 충실도·전체 이미지의 자연스러움 등 여러 기준을 동시에 만족해야 하므로, 참고 이미지 처리부터 출력 진단까지 하네스의 많은 부분이 개선될 여지가 있다.
전체 요약 8문장 읽기 → 012▲ 196 · 댓글 2LLM 에이전트 자동 최적화, 과적합 방지 기법 제시LLM 에이전트의 성능을 좌우하는 프롬프트·제어 흐름·도구·메모리 등 구성 요소를 자동으로 개선하는 재귀적 자체 개선(RSI) 방식이 학습 데이터에 과적합되는 문제를 확인했다.AI · 머신러닝 · RRSI: Regularized Recursive Self-Improvement of Agent Harnesses

Key PointLLM 에이전트 자동 최적화가 실무 문제인 과적합을 해결하면서 일반화 성능을 확보한 방법론으로, 에이전트 개발의 효율성과 신뢰성을 동시에 높인다.
핵심 요약
- LLM 에이전트의 성능을 좌우하는 프롬프트·제어 흐름·도구·메모리 등 구성 요소를 자동으로 개선하는 재귀적 자체 개선(RSI) 방식이 학습 데이터에 과적합되는 문제를 확인했다.
- 구글 연구팀이 제안한 RRSI는 제약 조건을 도입해 과적합을 줄인다: 제안 모듈에서 편집 횟수를 시간에 따라 제한하고 미탐색 경로를 선호하며, 선택 모듈에서 벤치마크 특화 제안과 불필요한 변경을 거른다.
- 코딩·에이전트 작업·설계 과제 8개 벤치마크에서 학습 데이터에는 최대 14.1점, 미학습 데이터에는 최대 4.7점 성능 향상을 달성했다.
전체 요약 4문장 읽기 →