AI 연구연구 프리프린트
과제 사이 경험을 배우게 한 AI 에이전트, 스프레드시트 성공률 8.5%포인트 상승
원문 읽기 · arxiv.org ↗(새 탭에서 열림)MetaExp는 도구나 작업 절차의 공통 요소를 공유하는 과제 가족으로 에이전트를 훈련하고, 새 과제에서 경험을 기록·수정·재사용하는 능력을 시험했다.
연구 방법
- 같은 도구를 쓰되 문제를 바꾸거나 같은 절차를 유지하되 구현을 바꾸는 두 종류의 검증 가능한 과제 가족을 각각 500개 구성했다. GLM-5.2의 상호작용에서 선별한 4956개 궤적으로 Qwen3.5-122B-A10B를 미세조정했다. 평가에서는 모델 가중치를 고정하고 과제 분포마다 비어 있는 경험 저장소에서 시작해 이전 과제의 검증된 기술을 축적했다.
평가 결과
- SpreadsheetBench에서 MetaExp 모델은 적응 0개일 때 성공률 65.0%, 40개 뒤 73.5%로 8.5%포인트 올랐다. 동일 기반 미훈련 모델은 68.9→66.7%로 떨어졌다. 자동화 과제에서도 14.8%포인트, APEX-Agents에서는 최고 2.3%포인트 개선을 보고했다.
적용 조건
- 스프레드시트 초기 성공률은 미훈련 기반보다 낮았고 40개 적응 뒤에도 GLM-5.2의 89.4%에 못 미쳤다. 세 벤치마크의 에이전트 환경과 검증·판정 규칙에 의존하며 실제 운영에서 자가 개선이 계속된다는 증거는 아니다. 비교된 이전 방법의 일부 수치는 원 논문 절차로 보고돼 직접 동등 비교에 주의가 필요하다.
함께 확인할 조건
- 스프레드시트 초기 성공률은 미훈련 기반보다 낮았고 40개 적응 뒤에도 GLM-5.2의 89.4%에 못 미쳤다. 세 벤치마크의 에이전트 환경과 검증·판정 규칙에 의존하며 실제 운영에서 자가 개선이 계속된다는 증거는 아니다. 비교된 이전 방법의 일부 수치는 원 논문 절차로 보고돼 직접 동등 비교에 주의가 필요하다.
출처와 편집 기준
arxiv.org · 연구 프리프린트 · 검수 2026.10.19 (KST)
요약은 원문의 핵심을 정리했으며, 커머스 인사이트는 편집 해석이다.