arXiv에 제출된 연구는 예측 세계 모델을 이용해 행동과 학습 데이터 선택을 돕고, 관측된 피드백으로 정책이나 작업 흐름을 개선하는 프레임워크 RSI-Anything을 소개한다. 연구진은 코드 수정, 그래픽 사용자 인터페이스(GUI) 작업, 실험실 계획, 반응 최적화 등에서 성과를 보고했다. 논문은 arXiv:2610.13912에서 확인할 수 있다.
코드 수정에서는 코더를 고정한 상태로 성공률이 정적 검증기를 사용했을 때 26.3%, 예측 기반 선택을 적용했을 때 29.2%, 세계 모델 적응까지 거쳤을 때 31.2%였다. 테스트 사용량은 비교 가능한 수준이었다. GUI 평가에서는 작업 완료율이 높아졌고 평균 행동 횟수는 39.4% 줄었다.
실험실 계획에서는 연속된 정책 버전 5개를 거치며 점수가 21.80%에서 46.01%로 두 배 넘게 올랐다. 반응 최적화에서는 실험 40회라는 동일한 예산으로 RSI-Anything이 평균 최고 관측 수율 96.15%를 기록했다. 비교 대상인 베이지안 최적화의 수율은 82.16%였다. 연구진은 면역과학 응용 사례도 제시하며 작업 흐름의 진화와 예측 모델링을 치료 가설 생성에 연결했다고 설명했다.
연구진이 제시한 방식은 피드백을 정책이나 작업 흐름 개선, 조건부 세계 모델 조정에 활용하고, 구성 요소와 호환성을 점검해 갱신된 정책·모델 쌍을 유지하는 구조다. 초록은 외부 피드백에 비용이 들고 정책이 바뀌면 세계 모델의 예측이 신뢰하기 어려워질 수 있다고 연구의 문제를 설명한다. 제시된 수치는 논문 초록의 결과이며, 초록에는 실험 세부 조건이나 독립적인 재현 여부가 담겨 있지 않다.
댓글 (0)
로그인하면 이 기사에 내 생각을 남길 수 있어요