PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27321v1cs.AI

검증 가능한 은닉 동역학 플레이: 풀린 메커니즘으로부터 에이전틱 RL 환경 생성

Verifiable Hidden Dynamics Play: Generating Agentic RL Environments from Solved Mechanisms

언어 모델 에이전트는 점점 더 변화하는 상태, 상호 의존적 결정, 지연된 결과를 갖는 장기(horizon) 과제에 더 자주 직면한다. 학습을 스케일링하려면 다양한 에이전틱 환경, 신뢰할 수 있는 결과 신호, 낮은 확장 비용이 필요하다. 기존 생성 파이프라인은 결과 규칙을 정의하거나 궤적에 주석을 달기 전에 환경을 구�하는 경우가 많아, 동역학과 평가가 사후적으로 맞춰지도록 남긴다. VHD-Play는 코퍼스 기반 setter가 의사결정 과정을 상태ful 도구(stateful tools)로 렌더링하기 전에 수학적 모델을 샘플링하고 풀어 이 의존 관계를 뒤집는다. 실행 가능한 동역학과 궤적 채점 기준은 동일한 풀린 모델에서 그대로 이어받는다. 이 파이프라인은 환경당 몇 센트 수준의 비용으로 3,300개의 다양한 에이전틱 환경을 만든다. 세 가지 패밀리로 Qwen3.6-35B-A3B를 학습하면 다섯 패밀리 진단에서 평균 에이전틱 점수가 0.204에서 0.815로 올라간다. 이득은 세 학습 패밀리 모두의 홀드아웃 인스턴스와 여덟 개의 보지 못한 메커니즘 패밀리에서도 나타나며, 생성된 기질(substrate)을 넘어 일반 함수 호출, 여행 계획, 365일 전자상거래용 외부 벤치마크까지 확장된다. E-Commerce Bench에서는 학습된 체크포인트가 파산 없이 모든 실행을 완료하며 Qwen3.7-Max를 넘긴다. 서면으로 풀어낸 문제와 매개변수를 공개하거나 숨기는 상태ful 버전을 비교한 결과, 학습 가능한 격차의 대부분은 근본적인 문제 해결보다 상태ful 상호작용에 있다. 고정(frozen) 35B setter는 더 큰 환경을 구현하고, 규모에 맞춘(scale-matched) 학습은 메커니즘 크기와 horizon가 커질수록 이득을 유지하여, 진화하는 학습 기질의 잠재력을 시사한다.

arXiv:2601.04126v3cs.CL

InfiniteWeb: Scalable Web Environment Synthesis for GUI Agent Training

InfiniteWeb은 GUI 에이전트 학습을 위한 기능적 웹 환경을 대규모로 자동 생성하는 시스템으로, 통합 명세(unified specification), 태스크 중심 테스트 주도 개발(TCTDD), 디자인 이미지 기반 프론트엔드 생성을 통해 일관성·정확성·다양성 문제를 해결한다. 생성된 환경에서 학습한 GUI 에이전트는 OSWorld에서 +6.9%, Online-Mind2Web에서 +5.7%, MobileWorld에서 +3.9%의 성능 향상을 달성했다.

arXiv:2604.18543v4cs.AI

ClawEnvKit: 발톱 모양 에이전트를 위한 자동 환경 생성

ClawEnvKit: Automatic Environment Generation for Claw-Like Agents

발톱 모양 에이전트(claw-like agents)를 위한 환경 구축의 수동적이고 확장이 어려운 문제를 해결하기 위해, 자연어 설명으로부터 다양하고 검증된 환경을 자동 생성하는 파이프라인인 ClawEnvKit을 제안합니다. 이를 통해 1,040개의 환경을 포함하는 대규모 벤치마크인 Auto-ClawEval을 구축하여 인간이 큐레이션한 환경과 유사한 품질을 훨씬 낮은 비용으로 달성하고, 실시간 평가 및 온디맨드 학습 환경 생성을 가능하게 했습니다.