AI는 미래 AI 시스템을 만드는 R&D 과정에서 점점 더 많이 사용되고 있다. 우리는 이러한 피드백이 자기 증폭이 되는 조건을 연구한다. 우리 모델은 AI 역량 성장 속도가 기준선 연구 생산성, 재귀적 피드백, 연구 진전의 증가하는 난이도에 어떻게 의존하는지 설명한다. 우리는 개발 사이클에 걸쳐 개선이 증폭되는지 감쇠되는지를 결정하는 재귀적 재생산 수 $\mathcal{R}_{\mathrm{AI}}$를 도출한다. 이 양은 피드백의 강도와 추가 진전이 더 어려워지는 속도를 비교한다. $\mathcal{R}_{\mathrm{AI}}>1$일 때, 개선의 효과는 개발 사이클에 걸쳐 복리로 누적되어 시스템을 자기 증폭 체제에 놓는다. $\mathcal{R}_{\mathrm{AI}}<1$일 때, 그 효과는 사이클에 걸쳐 약해진다. 전이는 AI R&D 피드백 루프의 구조에 달려 있으며, 특정 모델 역량 수준에서 반드시 일어날 필요는 없다. 따라서 시스템은 가속이 눈에 보이기 전에 자기 증폭 체제에 진입할 수 있으며, 빠른 진전은 자기 증폭 없이도 일어날 수 있다. 더 높은 기준선 연구 생산성은 시스템이 자기 증폭적인지 여부를 바꾸지 않고도 진전을 가속할 수 있지만, 개발 사이클의 지속 시간이 증폭에 대한 한계 시간 척도가 된다. 연구 난이도의 증가는 자기 증폭 기간을 종료시킬 수 있다. 모델을 여러 연구 주체로 확장하면, 조직 간 공유되는 개선이 어떤 개별 주체도 그렇지 않을 때조차 전체 연구 생태계를 자기 증폭적으로 만들 수 있음을 보여 준다. 이 프레임워크는 재귀적 증폭과 다른 원인에 의해 이끌리는 빠른 진전을 구별하는 데 도움이 될 수 있는 AI R&D 시스템의 측정 가능한 성질을 밝히며, 여기에는 재귀적 피드백의 강도, 개선이 후속 시스템으로 얼마나 효과적으로 전파되는지, 사이클 지속 시간, 추가 진전의 증가하는 난이도가 포함된다.
대규모 언어 모델(LLM)은 코드 생성에 탁월하지만, 경쟁 프로그래밍에서는 지속적인 실패 모드가 드러납니다. 기존의 다중 에이전트 파이프라인은 일반적인 기획자(planner), 코더(coder), 디버거(debugger) 역할에 작업을 분배하고 알고리즘 기법의 선택을 백본 모델에만 위임합니다. 본 논문에서는 각 에이전트가 동적 계획법, 그래프, 문자열, 기하학 등과 같은 주제별 전문가로 구성되고 알고리즘 이론 말뭉치 기반의 검색-증강 생성(RAG)을 통해 그라운딩되는 프롬프트 전용 프레임워크인 MARS(Multi-Agent Relay of Specialized LLMs)를 제시합니다. 문제가 주어지면 검색을 통해 관련 전문가들로 구성된 소규모 팀을 선발합니다. 스타터(starter)가 초기 C++17 솔루션을 작성하고, 이후 각 턴마다 샌드박스에서 공개 예제를 대상으로 후보 코드를 실행하며, 활성 상태의 전문가가 초안을 유지, 수정 또는 인계할 수 있도록 한 뒤 구조화된 패킷을 다음 전문가에게 전달합니다. 마지막에는 단일 인프라 수정자(infrastructure-fixer) 패스를 통해 보일러플레이트 코드를 정규화합니다. Gemma 4를 사용한 CodeContests 테스트 분할에서 MARS는 과제당 $2.3$개의 기록된 파이프라인 단계에서 $0.624 \pm 0.006$의 통과율(직접 프롬프트 대비 $+14.4$ 퍼센트포인트 상승)을 달성하여, $3.3{\times}$ 더 낮은 총 소요 시간(wall-clock) 비용과 과제당 토큰 소비량의 대폭 감소된 분산으로 CodeSIM($0.731$)과의 격차를 대부분 좁혔습니다. 소스 코드는 GitHub(https://github.com/fckand/mars)에서 확인할 수 있습니다.