집단지능을 통한 재귀적 자기개선

MASS(Multi-Agent Self-Supervision) 는 같은 모델이 작업 실행자, 워크플로 최적화기, 평가자를 맡아 팀의 협업 방식을 개선하고, 선별한 팀 실행 기록으로 자신을 다시 학습하는 재귀적 자기개선 방식임 내부 루프에서는 모델 가중치를 고정한 채 에이전트 간 역할과 정보 교환을 최적화하고, 외부 루프에서는 우수한 실행 기록을 공유 모델에 증류한 뒤 갱신된 모델로 과정을 반복함 Qwen3.6-27B에 두 차례 적용한 결과, 학습에서 제외한 합성 연구 과제에서 기본 모델 대비 승률이 69.9% 에 도달했으며, 연구 벤치마크 4종의 출력 토큰당 점수는 1.2~1.6배로 높아짐 작업 수행 기록만으로 학습했는데도 워크플로 최적화와 평가 능력이 함께 개선됐으며, 다중 에이전트 기록은 단일 에이전트 기록보다 적은 지도학습 토큰으로 더 높은 성과를 보임 개선 효과는 소프트웨어 엔지니어링 벤치마크로 고르게 전이되지 않았으며, 같은 모델이 생성과 평가를 모두 맡는 구조에서는 공유된 맹점이 다음 학습에 반복 반영될 수 있어 자기평가를 교정할 수 있는 감독이 필요함 더 강한 감독자 없이 학습하는 동종 RSI 인간이 축적한 지식을 넘어서는 연구에서는 전문가도 결과를 평가하고 다음 개선을 이끌기 어려울 수 있음 제안된 발견을 평가하려면 희소한 전문지식, 비싼 증거 수집, 제안 생성보다 훨씬 오래 걸리는 실험이 필요할 수 있음 이때 개선 대상 모델 자체가 가장 유능한 감독자가 될 가능성이 동종 재귀적 자기개선(homogeneous RSI) 의 출발점임 인간 사회는 수렵 공동체부터 농경 정착지, 산업사회, 세계적 정보망에 이르기까지 분업, 아이디어 결합, 지식 전승으로 역량을 확장해 왔음 Thomas Kuhn의 《The Structure of Scientific Revolutions》에서도 과학자는 공동체가 공유하는 사례를 통해 문제를 인식하고 해결하는 법을 배움 MASS는 이와 유사하게 개별 에이전트가 안정적으로 발휘하지 못하는 팀의 집단지능을 공유 모델의 학습 신호로 활용함 하나의 언어 모델이 세 역할을 모두 수행함 작업 실행자는 결과, 그래프, 연구 보고서가 담긴 작업 공간을 생성함 워크플로 최적화기는 평가 피드백을 바탕으로 작업 분담, 결과 교환, 상호 검토 방식을 수정함 평가자는 두 작업 공간을 비교해 과제에 더 부합하는 쪽을 고르고 판단 근거를 제공함 학습 과제는 자동 규칙 기반 정답 신호가 없는 검증 불가능...