메타, 8B 모델로 ‘클로드 오퍼스 4.5’ 성능 구현한 ‘에보하네스-RL’ 공개

메타와 일리노이대학교 연구진이 AI 에이전트의 외부 실행 환경 관리 능력을 학습시키는 혁신적인 기술인 '에보하네스-RL(EvoHarness-RL)'을 발표했다. 이 기술은 AI 에이전트가 복잡한 작업을 보다 효율적으로 수행할 수 있도록 돕고, 기업의 대규모 업무 처리 능력을 크게 향상시킬 것으로 기대된다.

AI 에이전트의 자율성을 높이다

AI 에이전트는 다양한 업무를 수행하는 데 있어 외부 정보와 도구를 효과적으로 활용하는 것이 필수적이다. 그동안 많은 AI 시스템은 인간 개발자가 설정한 규칙에 의존해 외부 환경을 관리해왔다. 하지만 이 방식은 에이전트가 도구를 스스로 판단하고 사용할 수 있는 능력을 제한하는 문제를 안고 있었다. 메타와 UIUC 연구진은 이러한 한계를 극복하기 위해, AI가 외부 메모리와 도구의 사용을 자율적으로 판단하도록 학습할 수 있는 '에보하네스-RL'을 개발했다.

에보하네스-RL은 AI가 환경을 이해하고, 하위 목표를 추적하며, 이전 경험을 활용하는 데 필요한 외부 지원을 제공합니다. 이 시스템은 AI 에이전트가 상황에 따라 정보의 업데이트 및 정리를 스스로 결정할 수 있게 함으로써, 장기적인 작업 진행에서의 효율성을 높이는 데 중점을 두고 있다. 특히, 복잡한 고객 관리 시스템의 데이터 이전 작업과 같은 대규모 업무에서는 이러한 능력이 더욱 중요하다.

BPE를 통한 체계적 접근

에보하네스-RL의 핵심은 BPE(Belief, Progress, Experience)라는 세 가지 상태로 정보를 체계적으로 관리하는 방법이다. 'Belief'는 AI가 현재 환경에 대해 무엇을 알고 있는지를 표현하고, 'Progress'는 하위 목표의 진행 상황을 관리하며, 'Experience'는 이전 작업에서 얻은 지식과 기술을 저장합니다. 이러한 구조는 AI가 다양한 도메인에서 복잡한 작업을 동일한 정책 인터페이스로 처리할 수 있도록 돕습니다.

AI 에이전트는 네 가지 메타 행동—환경 상태 확인(track), 작업 진행 상황 기록(commit), 과거 경험 검색(recall), 새로운 정보 기록(note)—을 통해 외부 작업 공간과 상호작용합니다. 이 과정을 통해 AI는 단순한 규칙 기반의 작업에서 벗어나, 보다 직관적이고 효율적으로 문제를 해결할 수 있도록 학습합니다.

성과와 향후 전망

에보하네스-RL은 기존 AI 모델의 성능을 획기적으로 향상시키는 데 성공했다. 연구진의 실험에 따르면, 이 새로운 접근 방식을 적용한 큐원3-8B 모델은 '클로드 오퍼스 4.5'의 기본 성능에 거의 필적하는 96.9%의 성공률을 기록했다. 이는 AI가 단순히 규칙을 따르는 것이 아니라, 스스로 문제를 해결하는 능력을 갖추게 되었음을 의미한다.

이러한 기술 발전은 기업의 AI 활용도와 생산성 향상에 큰 영향을 미칠 것으로 보인다. 향후 AI 에이전트가 보다 자율적으로 외부 환경을 관리하고, 복잡한 업무를 수행할 수 있도록 발전한다면, 산업 전반에서 혁신적인 변화가 일어날 것으로 기대된다. 에보하네스-RL은 그러한 변화의 시작점이 될 수 있을 것이다.