AI 연구연구 프리프린트
AI 자기학습에서 과제 선정과 성능 개선은 달라, 업데이트 검증 제안
원문 읽기 · arxiv.org ↗(새 탭에서 열림)EvoHeir는 AI가 학습할 문제를 잘 골랐더라도 업데이트된 모델이 더 좋아지는 것은 아니므로, 새 모델을 계승하기 전 별도 평가를 거친다.
연구 방법
- HeirCommit은 업데이트된 모델을 얼리고 새로운 문제로 현재 모델보다 나은지 확인한다. EvoHeir는 채택하지 않은 모델의 유용한 경험도 기록해 다른 모델의 오류 수정에 재활용하고, 최종 후보를 다시 검증한다.
평가 결과
- 검증 가능한 문제로 만든 Skill-SP 업데이트 96개 중 60개는 정답의 가능도를 높이지 못했다. 세 학습 체계에서 동등한 수만큼 무작위 채택할 때보다 해로운 채택 비율이 68~83% 줄었다. 네 기반 모델의 10회 반복 수학 평균은 가장 강한 비교법보다 5.3% 상대 개선이었다.
적용 조건
- 결과는 지정된 자기학습 체계와 수학·일반 추론 벤치마크에 제한된다. 별도 확인 문제 자체도 추정 오차가 있고, 제시한 이론의 양의 마진 보장은 실제 사용한 0 임계값에는 그대로 적용되지 않는다. 비심사 프리프린트다.
함께 확인할 조건
- 결과는 지정된 자기학습 체계와 수학·일반 추론 벤치마크에 제한된다. 별도 확인 문제 자체도 추정 오차가 있고, 제시한 이론의 양의 마진 보장은 실제 사용한 0 임계값에는 그대로 적용되지 않는다. 비심사 프리프린트다.
출처와 편집 기준
arxiv.org · 연구 프리프린트 · 검수 2026.10.18 (KST)
요약은 원문의 핵심을 정리했으며, 커머스 인사이트는 편집 해석이다.