英 AI 안전 연구소 "표준 벤치마크는 AI 에이전트의 실력을 과소평가한다"
영국 AI 안전 연구소(AISI)의 새로운 연구에 따르면, 고정된 컴퓨팅 예산을 기준으로 하는 기존 벤치마크들은 AI 에이전트의 실제 성능을 체계적으로 과소평가하는 경향이 있습니다. 연구 결과, 연산 시간과 토큰 예산을 늘려줄 경우 AI의 성공률은 최대 25%까지 상승했으며, 특히 사이버 보안 및 소프트웨어 개발 분야에서 두드러진 개선을 보였습니다. 이는 현행 평가 방식이 AI의 진정한 한계와 잠재력을 온전히 반영하지 못하고 있음을 시사합니다.
영국 AI 안전 연구소(AISI)는 최신 AI 모델들을 대상으로 다양한 컴퓨팅 예산을 적용하여 7개의 벤치마크에서 테스트를 진행했습니다. 핵심 발견은 고정된 예산 상한선이 AI 에이전트의 실제 성능을 체계적으로 과소평가한다는 것입니다. AI 에이전트의 성능은 '추론 시간 연산(test-time compute)', 즉 에이전트가 작업을 수행하는 동안 소비할 수 있는 처리 능력의 양에 비례하여 상승하는 곡선을 그립니다. 곡선이 여전히 상승하는 동안 예산을 차단하면, 측정된 점수는 에이전트가 낼 수 있는 최대치가 아닌 최소치를 알려줄 뿐입니다. 이것이 AISI 연구원들이 이번 최신 연구에서 증명하고자 했던 내용입니다. 여기서 가장 중요한 질문은 다음과 같습니다. 성능이 연산량에 따라 얼마나 확장되며, 이것이 사이버 보안에 어떤 의미를 갖는가?
연산량이 많을수록 모든 분야에서 결과가 향상됩니다. 사이버 보안 분야의 경우, 약 8%의 작업이 예산이 1천만 토큰을 초과할 때만 해결되었으며, 일부 작업은 5천만 토큰이 필요했습니다. 최신 모델들은 1억 토큰 이상의 예산에서 훨씬 더 높은 점수를 기록했습니다. 소프트웨어 엔지니어링 작업(TerminalBench 2.0, SWE-Bench Pro)에서는 토큰 예산이 100만 개에서 1,000만 개로 늘어나자 성공률이 약 25%나 급증했습니다. 수학 및 학술 작업(Humanity's Last Exam)의 경우, 예산을 500만 토큰까지 늘렸을 때 약 22%의 성능 향상이 있었습니다. 하지만 추가 연산이 모든 곳에서 동일하게 도움이 되는 것은 아닙니다. 의료 작업 벤치마크인 HealthBench에서는 모든 모델이 표준 예산 내에서 성능 한계에 도달했습니다. AISI에 따르면, 코드를 실행하거나 익스플로잇을 테스트하는 것처럼 에이전트가 자체적인 검증을 할 수 있는 분야에서 추가 연산이 가장 큰 도움이 됩니다. 반면 피드백이 없거나 지연되는 작업에서는 성능 향상이 거의 없었습니다.
또 다른 연구 결과는 인간 전문가가 작업에 필요로 하는 시간과 에이전트의 토큰 소비량을 연결합니다. 연구 기관 METR의 211개 소프트웨어 엔지니어링 작업과 AISI의 78개 사이버 작업에서 이러한 관계는 멱법칙(power law)을 따릅니다. 1분짜리 작업에는 에이전트가 수천 개의 토큰을 소비합니다. 1시간짜리 작업은 수백만 개, 1주일짜리 작업은 수십억 개의 토큰이 필요합니다. 따라서 고정된 평가 예산은 가장 길고 어려운 작업을 잘라내는 결과를 초래합니다. 작업 실패는 에이전트의 기술 부족이 아니라 예산이 너무 빡빡했기 때문일 수 있습니다. AISI는 인간 전문가가 약 20시간이 걸리는 'The Last Ones'라는 사이버 작업을 예로 듭니다. 테스트된 어떤 모델도 3천만 토큰 미만으로는 이 작업을 해결할 수 없었습니다.
연구에 따르면 최신 모델은 이전 모델보다 추가 연산에서 훨씬 더 큰 이점을 얻습니다. 성능 곡선은 세대를 거듭할수록 상승하며 도달 범위(더 어려운 작업을 해결할 수 있음), 신뢰성(동일한 작업이 더 자주 해결됨), 효율성(동일한 작업에 더 적은 토큰이 필요함)의 세 가지 축을 따라 모양이 변합니다. 현재 최고 수준의 최신 모델이 처리할 수 있는 작업 시간 한계는 250만 토큰 예산에서 약 40분이었지만, 5천만 토큰 예산에서는 약 4시간으로 늘어났습니다. 전체 최신 모델을 아우르며 보면, 예산이 250만 토큰에서 5천만 토큰으로 증가함에 따라 작업 시간 한계는 약 2시간에서 14시간으로 이동했습니다. 즉, 기술의 최전선은 기존 벤치마크가 암시했던 것보다 훨씬 빠르게 발전하고 있습니다.