리서치 연구

Beneath the Diff: Diagnosing and Mitigating Algorithmic Mode Collapse in Code-Level Autonomous Research Loops

ARarXiv9월 2일 발표 · 1분 · 심사 전 논문

LLM 에이전트가 코드를 수정하며 연구하는 자율 루프(ARL) 시스템에서, 내부 지표 개선만으로는 일반화된 진정한 발전이 어렵다는 '알고리즘적 모드 붕괴' 현상이 발견되었습니다.

세 줄 요약arXiv 원문 기반

연구진은 '다양성 인식 제안 샘플링(DAPS)'을 개발하여, 편집 기억과 검증 게이트를 결합해 모드 붕괴를 완화하고 독립 평가 성능을 크게 향상시켰습니다.
본 연구는 LLM 기반 자율 시스템이 내부 루프 지표에만 의존할 때 발생하는 한계를 명확히 보여주며, AI 에이전트의 신뢰성 평가 기준을 재정립합니다.
자율 연구 시스템의 성능 검증 시에는 내부 최적화 속도뿐만 아니라, 반드시 독립적인 환경에서 측정하는 '블라인드 평가'를 병행해야 합니다.