에이전트 과학을 위한 역 루브릭 최적화 테스트베드
본 연구는 장기 과제를 수행하는 AI 에이전트의 성능을 평가하기 위해 '역 루브릭 최적화(IRO)'라는 새로운 테스트베드를 제안합니다. IRO는 에이전트가 블랙박스 평가 모델의 선호도를 파악하고 최적화하는 과정을 통해, 제한된 자원 내에서 얼마나 효율적으로 탐색하고 개선하는지 분석합니다. 최신 AI 모델들이 제공된 자원을 최대한 활용하는 방식을 연구하는 데 중요한 기준점을 제공한다는 점에서 의미가 있습니다.
“여러 곳에서 지혜를 얻는 것은 중요합니다. 오직 한 곳에서만 얻는다면, 그것은 경직되고 진부해질 것입니다.” — 아이로 삼촌
Fulcrum Research에서 우리는 장기적 시야를 가진 에이전트(long-horizon agents)의 성능과 행동을 연구합니다. 각 작업 환경마다 고유한 구조가 있지만, 우리는 환경에 상관없이 에이전트 성능의 일반적인 원칙을 찾을 수 있다고 믿으며, 이는 태동하는 에이전트 과학(agent science)에 기여할 것입니다. 이 글에서는 에이전트 과학을 위한 적합한 환경을 찾는 어려움을 설명하고, 에이전트가 가변적인 접근 권한을 가진 블랙박스 평가자의 선호도를 최적화해야 하는 '역 루브릭 최적화(IRO, Inverse Rubric Optimization)' 환경을 제안합니다. 우리는 이러한 작업이 풍부한 행동을 유도하고 부드러운 스케일링(scaling)을 가능하게 함을 관찰했습니다. 우리는 최첨단 모델들이 평가자 접근 횟수가 늘어남에 따라 효과적으로 반복하고 개선하지만, 기본적으로는 자신에게 주어진 자원을 최대한으로 활용하지는 않는다는 것을 발견했습니다. 특히, Fable 5 모델은 평가 라벨(label)이 적을 때 모든 모델을 능가했지만, 가장 큰 예산에서는 개선되지 않았고 Opus 4.6 수준에서 정체되었습니다. 우리는 여기서 오픈소스 코드를 공유합니다.
에이전트 과학을 위한 테스트베드 장기 과제의 높은 분산성과 비용 때문에 에이전트의 행동을 연구하는 것은 까다롭습니다. 실행 중에 이루어지는 수많은 비결정론적 선택 때문에 궤적 수준의 분산이 매우 높게 나타나는 경우가 많아, 다양한 방법의 영향을 추정하기 어렵게 만듭니다. 이러한 분산은 종종 행동 공경(action space)이 큰 작업에서 정확히 높게 나타납니다. 하지만 바로 그런 작업들이 우리가 실험에서 연구하고 개입하려는 복잡한 행동들을 이끌어냅니다. 따라서 과제는 자원 활용, 탐색, 가설 검증 등 광범위한 전략의 이점을 살리면서 일반적인 유형의 능력을 요구하면서도, 연구를 위해 충분히 매끄러운 환경을 찾는 것입니다. 이를 해결하기 위해 우리는 여전히 도전적이고 풍부하며 매끄러운 토이 환경(toy settings)을 살펴봅니다.
역 루브릭 최적화 (Inverse rubric optimization) IRO 작업에서 평가받는 에이전트의 목표는 특정 채점 기준인 루브릭(rubric)으로 매개변수화된 블랙박스 평가 모델의 선호도를 학습하는 것입니다. 에이전트는 생성을 위한 정책(예: 프롬프트, 스캐폴드 등)을 제출하고, 이는 도메인 샘플을 생성하는 데 사용되며 평가자에 의해 평가됩니다. 에이전트는 점수를 연구하고 새로운 시도를 제출하면서 평가자의 선호도를 학습하고 탐색해야 합니다. IRO 작업에서 우리는 최적화 프로그램이 샘플링할 수 있는 평가자 라벨의 예산을 다양하게 조절합니다. 최적화 프로그램이 해당 자원과 어떻게 상호 작용하고 샘플링하는지, 가설을 검증하는지, 샘플링 노이즈를 적절히 고려하는지 등의 역학이 이 환경의 주요 관심사입니다.
이 글에서 우리는 다양한 블랙박스 LLM 시 평가자들에 의해 지정된 특정 IRO 작업 세트를 연구합니다. 우리는 다양한 시인의 스타일을 바탕으로 여러 시적, 텍스트적 특징을 따져 시를 채점하는 시 주제 모음과 시 평가 루브릭을 생성했습니다. 그런 다음 최적화 에이전트는 생성 모델이 시를 작성하는 데 사용하는 프롬프트를 반복 개선하며, 이 시는 평가자에 의해 채점됩니다. 그 목표는 생성된 시에 대해 평가자의 평균 점수를 최고점으로 끌어올리는 것(hillclimb)입니다. 우리의 각 루브릭은 부분 점수를 더하는 방식으로 일련의 특징을 평가하므로, 부분적인 스타일의 발견도 점수를 옮길 수 있습니다(밀턴(Milton) 평가자의 전체 루브릭은 부록 A.1 참조).
시 작성 환경에서 최적화 에이전트는 시 생성을 위한 가이드라인 세트를 받아 훈련 세트 주제를 사용하여 지정된 수의 시를 생성한 다음 채점되어 최적화 에이전트로 반환되는 도구(submit_train_batch)를 제공받습니다. 각 실행에는 사용할 수 있는 라벨 예산이 있으며, 어느 시점에서는 평가 세트에서 평가되는 최종 프롬프트를 제출합니다. 예산이 소진될 때까지 원하는 만큼 도구를 호출할 수 있습니다. 우리는 서로 다른 평가자들이 최적화 프로그램에 제기하는 학습 문제의 점수 범위와 난이도 측면에서 서로 다른 최적화 환경을 정의한다는 것을 관찰했습니다(평가자별 학습 곡선은 부록 A.3 참조). 규모의 차이를 정규화하기 위해 우리는 해당 격차로 나누어 정규화합니다.