모델 연구
WMLLM: Self-Evolving Optimization Agents via Predict-Then-Act World Modeling
ARarXiv
까다로운 블랙박스 최적화 문제를 해결하기 위해 '예측 후 행동(predict-then-act)' 방식을 사용하는 자가 진화형 에이전트 프레임워크인 WMLLM을 제안했습니다.
세 줄 요약
- WMLLM은 대규모 언어 모델(LLM)의 예측 능력을 활용하여 유망한 탐색 방향을 먼저 예측하고, 이를 바탕으로 후보군을 생성하며 스스로 최적화 전략과 세계 모델을 개선합니다.
- 기존 방식의 비효율성을 극복하고, 특히 다목적 분자 최적화 같은 까다로운 문제에서 적은 평가 예산만으로도 최고 수준의 성능을 달성할 수 있습니다.
- LLM의 강력한 지식을 활용하는 첨단 방법론이지만, 실제 적용 시 탐색 공간의 구조적 복잡성에 대한 추가적인 검증이 필요합니다.
까다로운 블랙박스 최적화 문제를 해결하기 위해 '예측 후 행동(predict-then-act)' 방식을 사용하는 자가 진화형 에이전트 프레임워크인 WMLLM을 제안했습니다.