BL
MarkTechPost • 16일 전
스탠퍼드, 반복되는 AI 실패 학습하는 'TRACE' 개발
IMP 8/10
핵심 요약
스탠퍼드 대학교 연구진이 에이전트의 반복적인 실패 원인을 분석해, 이를 보완하는 맞춤형 강화학습 환경을 자동 생성하는 시스템 'TRACE'를 공개했습니다. 이 시스템은 부족한 기능별로 전문 LoRA 어댑터를 훈련하고 상황에 맞게 라우팅하여 SWE-bench에서 73.2%의 높은 성능을 달성하는 등 AI 에이전트의 실질적 문제 해결 능력을 크게 향상시켰습니다.
번역된 본문
에이전트 기반 대형 언어 모델(LLM)은 특정하고 재사용 가능한 기능이 부족하기 때문에 항상 같은 방식으로 실패를 반복합니다. 스탠퍼드 대학교의 TRACE는 에이전트의 궤적(trajectories)에서 이러한 한계점을 진단하고, 각 기능별로 검증 가능한 훈련 환경을 하나씩 합성하여 생성합니다. 그런 다음 각각의 기능에 맞춰 LoRA(Low-Rank Adaptation) 어댑터를 훈련시키고, 여러 전문가 모델 간에 토큰을 분배(라우팅)하여 τ²-Bench에서 15.3포인트 향상이라는 성과를 거두었으며 SWE-bench Verified에서는 73.2%의 Pass@1 달성률을 기록했습니다. 스탠퍼드 대학교 연구진이 반복되는 에이전트의 실패를 합성 강화학습(RL) 환경으로 전환하는 역량 맞춤형 에이전트 훈련 시스템, TRACE를 소개했다는 이 기사는 MarkTechPost에 처음 게재되었습니다.
원문 보기 (영어)
Agentic LLMs keep failing the same way because they lack specific, reusable capabilities. Stanford's TRACE diagnoses those gaps from an agent's own trajectories, synthesizes one verifiable training environment per capability, trains a LoRA adapter for each, and routes tokens across experts—improving τ²-Bench by +15.3 points and reaching 73.2% Pass@1 on SWE-bench Verified.
The post Stanford Researchers Introduce TRACE: A Capability-Targeted Agentic Training System That Turns Recurrent Agent Failures Into Synthetic RL Environment appeared first on MarkTechPost.