BL
MarkTechPost • 26일 전
구글, 정적 에이전트 환경을 적응형 훈련 세계로 바꾸는 'EnvHarness' 공개
IMP 6/10
핵심 요약
구글 클라우드 AI 리서치가 워싱턴대 세인트루이스, UNC 채플힐과 함께 에이전트 벤치마크를 훈련 정책에 맞춰 적응시키는 오픈소스(Apache-2.0) 레이어 'EnvHarness'를 공개했습니다. 기존 환경을 reset()/step() 인터페이스로 감싸 태스크와 검증기를 그대로 유지하면서, LLM 설계자 'EnvRigger'가 에이전트 롤아웃에서 발견된 결함에 맞춰 래퍼를 자동 작성합니다. 5개 벤치마크에서 미지의 태스크 성능이 최대 9.0점 향상되고 실행 단계는 9.8% 감소했습니다.
번역된 본문
구글 클라우드 AI 리서치는 워싱턴대학교 세인트루이스 캠퍼스 및 UNC 채플힐과 공동으로 EnvHarness를 공개했습니다. EnvHarness는 Apache-2.0 라이선스의 레이어로, 정적인 에이전트 벤치마크를 해당 벤치마크 위에서 수행되는 정책 훈련에 적응하는 형태로 변환해 줍니다. 표준 reset()/step() 인터페이스를 통해 고정된 환경을 감싸는 방식이기 때문에 태스크와 사람이 구축한 검증기(verifier)는 그대로 유지되며, LLM 기반 설계자인 EnvRigger가 에이전트 자신의 롤아웃(rollout)에서 진단된 결함에 맞춰 이러한 래퍼를 자동으로 작성합니다. 5개 벤치마크에서 검증 결과, 학습된 스킬이 미지의(held-out) 태스크에서 최대 9.0점 향상을 보였고 실행 단계 수는 9.8% 감소했습니다.
원문 보기 (영어)
Google Cloud AI Research, with Washington University in St. Louis and UNC Chapel Hill, has released EnvHarness, an Apache-2.0 layer that turns a static agent benchmark into one that adapts to the policy training on it. It wraps a frozen environment through the standard reset()/step() interface, so tasks and human-built verifiers stay untouched — and an LLM designer, EnvRigger, writes those wrappers automatically against flaws diagnosed in the agent's own rollouts. Across five benchmarks, mined skills gain up to 9.0 points on held-out tasks with 9.8% fewer execution steps.
The post Google AI Introduces EnvHarness: A Programmable Layer That Turns Static Agent Environments Into Adaptive Training Worlds appeared first on MarkTechPost.