arXiv:2606.17541v1 cs.LG

오프라인 선호도 기반 궤적 평가

Offline Preference-Based Trajectory Evaluation

Fernando Diaz

제출 2026-06-16

한국어 초록

에이전트 시스템의 오프라인 평가는 종종 궤적을 최종 성공으로 단순화하여, 부분적인 진행에 대한 정보를 버리고 광범위한 동점을 유발합니다. 이는 유효 표본 크기를 줄이고 시스템을 구별하는 능력을 약화시켜 상당한 통계적 비효율성을 초래합니다. 우리는 진행 및 복귀 시간 프로필에 대한 시간적 선호도를 통해 궤적을 직접 비교하는 선호도 기반 궤적 평가를 제안합니다. 우리는 다양한 에이전트 및 대화형 벤치마크에서 표준 성공 기반 메트릭이 약 75%의 인스턴스에서 동점 비교를 생성하는 반면, 궤적 인식 선호도는 동점을 약 35%로 줄여 식별력, 순위 안정성 및 데이터 효율성을 향상시킨다는 것을 발견했습니다. 우리의 결과는 종종 불량한 데이터 수집이나 문제 난이도 때문으로 여겨지는 벤치마크 포화 현상이 평가 지표의 선택으로도 설명될 수 있음을 시사합니다.

원문 초록

Offline evaluation of agentic systems often collapses trajectories to terminal success, discarding information about partial progress and inducing widespread ties, creating substantial statistical inefficiency by reducing effective sample size and weakening the ability to distinguish systems. We propose preference-based trajectory evaluation, which compares trajectories directly through temporal preferences over progress and time-to-return profiles. We find that, across diverse agentic and interactive benchmarks, standard success-based metrics produce tied comparisons on roughly 75% of instances, whereas trajectory-aware preferences reduce ties to roughly 35%, improving discriminative power, ranking stability, and data efficiency. Our results suggest that benchmark saturation, often attributed to poor data collection or problem difficulty, may also be explained by the choice of evaluation measure.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.17541v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.10942v2cs.AI공통 태그 Benchmarking, Sequential Decision Making

StoreBench: 자율 운영자 에이전트의 평가 및 학습을 위한 라이브 커머스 환경

StoreBench: A Live-Commerce Environment for Evaluating and Training Autonomous Operator Agents

강화학습(RL) 환경은 이제 사후 학습(post-training)에서 대규모 언어 모델(LLM)의 역량을 향상시키는 주요 수단이 되었으나, 대부분의 에이전트 벤치마크는 여전히 정적입니다. 즉, 에이전트가 행동할 때만 환경이 변화하고, 보상은 최종적인 판정으로 주어지며, 통과 기준은 자의적으로 설정됩니다. 본 논문에서는 에이전트가 프로덕션 수준의 상거래 백엔드에서 중간 규모의 온라인 의류 매장을 운영하며 불확실성 속에서 장기 계획 수립 및 경제적 판단력을 시험받는 라이브 커머스 환경인 StoreBench를 소개합니다. 고객은 24시간 내내 주문하고, 공급업체는 가격을 재책정하거나 공급에 실패하며, 시장 충격은 부분적인 예고만 있거나 예고 없이 발생합니다. 에이전트는 실제 인간 운영자가 사용하는 것과 동일한 29개의 판매자 도구를 통해 행동하며, 취해진 행동의 함수로 시뮬레이션 시간을 계산하는 윈도우 기반 운영 예산 하에서 작동하므로 모델 지연 시간이 시뮬레이션 시간에 영향을 미칠 수 없습니다. 통과 임계값은 스크립트 기반 앵커 정책을 기준으로 보정되었고, 보상은 다양한 보상 해킹 목록에 대비해 강화되었으며, 일련의 행동이 주어지면 모든 에피소드가 동일하게 재현됩니다. 본 연구에서는 추론 노력을 일치시킨 상태에서 세 가지 월드 시드에 걸쳐 30~45일 및 시뮬레이션된 1년 전체에 해당하는 11개 시나리오를 바탕으로 7개의 프론티어 LLM을 평가합니다. 평균적으로 스크립트 기반 스마트 트리아지(smart-triage) 정책에 필적하는 모델은 없었습니다. 최고 성능을 보인 DeepSeek-V4-Pro는 휴리스틱의 97% 대비 49%의 태스크-시드 셀을 통과했습니다. 동일한 도구와 예산을 사용하여 작업한 인간 전문가는 모든 모델보다 높은 점수를 기록했습니다(평균 종합 점수 0.708 대 0.700). Claude Code 하네스 기반의 시뮬레이션된 1년 전체에 걸쳐 대다수 모델은 극적인 성능 향상을 보입니다. GRPO 사후 학습 실행에서 서로 다른 5개의 태스크로만 학습된 Qwen3.5-27B는 홀드아웃(held-out) 평가 태스크에서의 평균 종합 점수를 0.136에서 0.373으로 향상시켰습니다. 본 연구에서는 학습 분할용 예시 태스크 5개, 샘플 궤적 10개, 점수 측정 및 검증 툴링을 공개하며, 벤치마크 오염을 방지하기 위해 전체 환경과 평가 스위트는 비공개로 유지합니다.

arXiv:2610.15993v1cs.AI공통 태그 Benchmarking, Sequential Decision Making

핸드오프 곡선: 멀티턴 LLM 라우팅에서의 초기 선택, 사후 핸드오프 및 지도 타깃

Handoff Curves: Initial Selection, Later Handoff, and Supervision Targets in Multi-turn LLM Routing

본 연구에서는 여러 턴(turn)에 걸친 대규모 언어 모델(LLM) 태스크에서 초기 모델(model) 선택, 사후 핸드오프(handoff), 그리고 학습(training) 타깃이 성공률과 비용에 미치는 영향을 연구합니다. 핸드오프 단계 변화에 따른 태스크 성공률과 비용을 기록하는 핸드오프 곡선을 활용하여 여러 라우터 아키텍처를 비교합니다. 연구진이 구축한 데이터셋(dataset)은 BFCL, MultiWOZ, $τ$-retail 전반에 걸친 3개 Qwen 모델의 34,204건의 완전한 실행 기록을 포함하며, 라우팅 결정을 위한 오프라인 지도 정보를 제공합니다. 주요 비교 분석에서 Qwen3.5 35B-A3B를 시작 모델로 사용했을 때, 사후 핸드오프를 허용하는 것은 BFCL 또는 MultiWOZ에서 초기 선택 대비 효용 개선을 보이지 못했으며 다양한 비용 가중치 범위에 걸쳐 BFCL에서 비용을 증가시켰습니다. 지도 타깃을 변경하면 자체 데이터셋과 TwinRouterBench 모두에서 라우터 성능이 향상됩니다. 자체 데이터셋의 경우 노이즈가 있는 학습 성공 곡선을 단조 적합(monotone fit)으로 대체함으로써 보고된 작동 지점 전반에 걸쳐 동일한 비용에서 성공률이 0.2~4.1%포인트 향상되었습니다. TwinRouterBench에서는 남은 작업 및 앞으로 닥칠 어려운 단계에 필요한 모델 성능을 기술하는 타깃을 구성했습니다. 벤치마크의 단계별 라벨로 학습하는 것과 비교하여, 이러한 타깃은 전체 정적 뱅크에서 궤적 통과 점수를 7.8%포인트, 비용 절감 효과를 6.3%포인트 높였습니다. 이 타깃으로 학습된 라우터의 실제 배포에서는 인스턴스당 0.59달러의 라우터 비용으로 100개 인스턴스 중 79개를 해결했습니다.

arXiv:2610.13494v1cs.AI공통 태그 Benchmarking, Sequential Decision Making

Humanize MLE 에이전트: 단일 에이전트 한계를 넘어서는 다중 에이전트 세션 교대

Humanize MLE Agents: Multi-Agent Session Alternation Beyond Single-Agent Limits

장기 시계(long-horizon) 머신러닝 엔지니어링(MLE)을 위한 기존 LLM 기반 에이전트 접근법들은 흔히 컨텍스트 엔지니어링을 사용하며, 이는 도구, 스킬, 축적된 경험을 관리하는 커스텀 하니스(harness)를 통해 구현된다. 그러나 우리는 단일 세션 실행이 길어질수록 에이전트의 추론 강도가 저하되며 진행 속도가 느려진다는 것을 발견했으며, 이를 장기 시계 둔화(long-horizon deceleration)라고 요약한다. 또한 기반 모델이 개선됨에 따라 이러한 커스텀 하니스의 이점이 사라진다는 것을 발견했으며, 이를 하니스 노후화(harness staleness)라고 요약한다. 이러한 발견은 이러한 이점이 버전 간에 지속되지 않을 수 있음을 시사하며, 이는 에이전트들이 세션에 걸쳐 서로의 작업을 기반으로 발전시키는 워크플로우 수준의 접근법을 동기화한다. 우리는 이러한 교대하는 에이전트 세션을 컨텍스트 재설정 준-마르코프 결정 과정(context-reset semi-Markov decision process, CR-SMDP)으로 모델링하고, 교대가 단일 에이전트 기준선 한계를 초과하기 위한 충분 조건을 수립하며, 명시적인 실험 예산 경계를 도출하고, 세션 상한이 이러한 이점을 보존하는 시점을 규명한다. 이러한 분석에 따라, 우리는 Humanize MLE 에이전트(HMA)를 소개한다. HMA는 공유 작업공간에서 두 에이전트를 교대시키며, 각 세션을 최대 k개의 실험으로 제한하고 세션 간 컨텍스트를 재설정하며, 추가적인 태스크별 하니스나 사전 지식 보강 없이 동작한다. MLE-bench의 75개 캐글(Kaggle) 과제에서 HMA는 78.2%의 최신(state-of-the-art) any-medal 비율을 달성하며, 가장 강력한 오픈소스 기준선을 8.0포인트 상회하면서도 그 시간 예산의 4분의 1만을 사용한다. 또한 다섯 개의 이질적인 에이전트 쌍에 걸친 여섯 가지 구성 중에서, HMA는 구성 요소 기준선들에 비해 any-medal 비율을 평균 6.4포인트 향상시켜, 에이전트 쌍 간 일반성을 입증한다. 커널(kernel) 최적화에 대한 보충 사례에서는 878 사이클에 도달하여 커뮤니티 리더보드 선두와 1.6% 이내의 차이를 보이며, MLE를 넘어선 적용 가능성을 입증한다.

arXiv:2610.13534v1cs.AI공통 태그 Benchmarking, Sequential Decision Making

MAGMA-Bench: 동적 태스크 및 실행 실패 환경에서의 장기 임바디드 에이전트 평가

MAGMA-Bench: Evaluating Long-Horizon Embodied Agents under Dynamic Tasks and Execution Failures

장기(long-horizon) 임바디드 에이전트(embodied agent)는 실행이 진행됨에 따라 태스크 관련 정보를 유지하고, 이종 로봇들을 조율하며, 의사결정을 적응적으로 변경할 수 있어야 합니다. 기존 벤치마크는 동적 태스크 실행 및 임바디드 멀티 에이전트 조율을 조사하지만, 둘의 교차점에 대한 평가는 제한적입니다. 본 연구에서는 동적 멀티 로봇 환경에서의 지속적 태스크 추론을 위한 아키텍처 비종속적 벤치마크인 MAGMA-Bench를 소개합니다. MAGMA-Bench는 이종 역량을 가진 로봇 간의 조율이 필요한 시나리오와 함께, 실행 실패, 태스크 중단, 미션 업데이트를 포함한 통제된 온라인 섭동(online perturbation) 및 늘어나는 태스크 범위에 걸쳐 에이전트를 평가합니다. 본 벤치마크는 구조화된 스킬 수준 인터페이스를 활용하여 태스크 수준 추론을 인지 및 저수준 제어로부터 분리합니다. 저자들은 로컬 배포가 가능한 오픈 가중치 플래너, 멀티 에이전트 상태 추적 전략, 그리고 프론티어 모델들을 평가합니다. 평가된 가장 강력한 모델조차도 섭동이 없는 에피소드의 상당 부분에서 실패하며, 온라인 섭동 하에서는 성공률이 더욱 감소합니다. 지도 적응(supervised adaptation)은 소형 모델의 성능을 크게 향상시키지만, 더 길고 다중 로봇이 관여하는 미션에서는 성능이 여전히 크게 낮게 유지됩니다. 저자들은 벤치마크, 261,646개의 태스크 수준 학습 예제, 그리고 아키텍처 비종속적 전문가 궤적 생성 파이프라인을 공개합니다.

arXiv:2610.03025v2cs.AI공통 태그 Benchmarking, preference learning

선호도의 검증 가능성, 표현 가능성, 그리고 암묵적 구성요소

Verifiable, Articulable, and Tacit Components of Preference

단편 소설을 흥미진진하게 만들거나, 뉴스 기사를 보도 가치 있게 만들거나, 수학적 증명을 우아하게 만드는 것은 무엇일까요? 이러한 개념들은 명시적인 표현(articulation)이나 검증(verification)에 저항하며, 그 의미는 최소한 부분적으로는 암묵적(tacit)입니다. 그러나 현대의 AI 모델(model)들은 주로 명시적으로 표현된 원칙(constitution), 채점 기준표(rubric), 검증기(verifier)를 통해 개선되며(예: RLAIF 및 RLVR), 선호도의 암묵적 구성요소는 대체로 충분히 연구되지 않았습니다. 본 연구에서는 7개 창의적 영역에 걸쳐 3억 1,700만 개의 인간 선호도 판단으로 라벨링된 280만 개의 텍스트와 42개 벤치마크(benchmark) 과제를 포함하는 대규모 라벨링 선호도 데이터셋(dataset) CreativePreferences를 소개합니다. 우리는 이러한 라벨을 실행 가능한 프로그램, 루브릭 뱅크, 조밀하게 학습된 모델(각각 V, A, VAT)로 모델링합니다. 그 결과 견고한 표현 가능성 격차(VAT-VA)와 검증 가능성 격차(VAT-V)를 관찰했습니다. 또한 표현 가능하고 검증 가능한 지표를 발견하고, 허위 변수를 식별하며, 포획-재포획(capture-recapture) 방식을 통해 미발견 지표의 가치를 추정하는 새로운 측정 접근법으로 각 격차의 상한 및 하한을 추정합니다. 이러한 격차는 모든 영역에서 발생하며, 전통적으로 완전히 검증 가능한 것으로 취급되던 영역(예: 수학 및 소프트웨어 공학과 같은 정확성 중심 영역, 뉴스, 특허, 동료 평가와 같은 주장 및 신규성 중심 영역)에서도 나타납니다. 격차의 크기는 도메인에 따라 달라지며(예: 동료 평가 및 창작 글쓰기가 가장 큰 표현 가능성 격차를 보임), 콜린스(Collins)의 집단적 암묵지(collective tacit knowledge)와 일치하게 판단에 참여하는 사람이 많아질수록 격차가 넓어집니다. 우리는 두 가지 결과를 제시합니다: (1) 인간 생성물에 대해 전체 모델이 명시된 기준과 종종 불일치하면서도 인간 선호도와 더 밀접하게 일치하며, (2) 굿하트의 법칙(Goodhart's law)과의 비유처럼 선호도를 명시적으로 표현하는 행위 자체가 선호도를 암묵적 차원으로부터 벗어나게 만듭니다. 표현 가능성 및 검증 가능성 격차는 중대한 영향을 미칩니다. 우리는 어떤 과제를 프롬프트로 처리할 수 있는지, 학습(learning) 메커니즘을 어떻게 개선할 수 있는지, 그리고 언제 판단을 인간에게 맡겨야 하는지에 대한 권장 사항을 제시합니다.

arXiv:2610.00834v1cs.AI공통 태그 Benchmarking, Sequential Decision Making

Kepler: ARC-AGI-3를 위한 감사 가능한 월드 모델

Kepler: Auditable World Models for ARC-AGI-3

ARC-AGI-3는 관찰을 통해 규칙과 목표를 추론해야 하는 상호작용 환경(environment)에서 에이전트(agent)를 평가합니다. 본 논문에서는 가설을 실행 가능한 월드 모델(world model)로 표현하고, 소급적 전이 검증과 조건부 예측 검증을 통해 이를 검증하는 오픈소스 하네스인 Kepler를 제시합니다. 단일 고정 Claude Opus 5 설정 하에서, Kepler는 게임별 모델(model) 선택이나 점수 조건부 재실행 없이 25개 공개 게임 전체에서 서버 검증 100.00 RHAE를 달성했습니다. 완료된 183개 레벨 중 181개에서 최종 Opus 시도는 해당 인간 중앙값 기준선(baseline)보다 더 많은 행동을 사용하지 않았습니다. 보존된 보드 실행에는 8,256회의 환경 행동이 사용되었으며, 이 중 7,292회는 점수가 매겨지는 레벨에서 발생했습니다. 보존된 로컬 제공자 세션 기록 기준으로 8억 5,800만 토큰(token), 97.37%의 캐시 읽기, 2026년 9월 1일 API 정가 기준 777.72달러의 비용이 소요되었습니다. 또한 세 가지 평가 실패 사례를 보고합니다: 유효하지 않은 완벽한 실행을 초래한 소스 코드 유출, 대조 조건에서 에이전트가 제거된 하네스를 재구축한 사례, 그리고 자율 복구가 고장 난 플래너를 은폐한 사례입니다. 단일 게임 관찰 사례 연구에 따르면, 애니메이션 프레임에는 안정화된 텍스트 그리드에는 없는 작업 관련 정보가 포함되어 있었습니다. 최종 Claude Opus 5 및 GPT-5.6 Sol 보드 전체에서 50개 게임-모델 셀 중 48개가 100에 도달했습니다. 이러한 결과는 공개 세트 점수만으로는 변별력이 제한적임을 나타내며, 첫 시도, 비용 조건부 및 검증 인식 보고의 필요성을 시사합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.