논문 리뷰 · 2026년 10월 29일
The Trinity: 멀티모달 에이전트를 위한 역량 중심 재귀적 자기개선
The Trinity:Capability-Driven Recursive Self-Improvement for Multimodal Agents
과제를 표면 유형이 아닌 공통 역량 기준으로 재조직하고, 그 역량을 연습할 시뮬레이션 세계를 자동 생성해 Harness를 진화시킴으로써, 학습 벤치마크 평균 34점, 미지 벤치마크 평균 26점의 성능 향상을 얻었다.
문제
멀티모달 에이전트를 개선하려면 검증 가능한 다양한 환경과 Harness(모델을 감싸는 제어 코드·모듈)를 계속 손봐야 하는데, 이를 사람이 하기에는 비용이 크다. 기존 Harness 자기개선 연구는 코딩·수학 같은 텍스트 과제에서 과제별로 최적화해 이질적인 과제로는 일반화가 약하다.
방법
Creator, Explorer, Evolver 세 역할을 둔다. Evolver는 검증된 실행 Trajectory로 각 과제의 요구 역량을 뽑고, 과제 트리를 계층형 역량 트리로 재구성한다. Creator는 같은 노드에 속한 과제들의 공통 요구를 단순화된 검증 가능 시뮬레이션 세계로 만든다(Capability-Driven Real2Sim2Real). Explorer는 역량 트리를 따라 Perception·Memory·Planning 등 6개 프로토콜 모듈을 선택적으로 상속하고 국소적으로 개선해 Harness 트리를 키운다. 백본 모델은 고정한다. 추론 시에는 Capability-Aware Harness Router가 공개 과제 정보와 과거 경험을 바탕으로 적합한 Harness 가지를 고른다.
결과
- 저자들은 진화된 Harness가 학습에 쓴 28개 벤치마크에서 평균 34점 향상을 보였다고 보고했다.
- 학습에 쓰지 않은 18개 벤치마크에서는 평균 26점 향상을 보였고, 여기에는 실제 환경의 체화(embodied) 과제 2개가 포함된다.
한계
제공된 본문에는 실험 세부(기준선, 벤치마크별 수치, 반복 횟수별 비용)가 잘려 있어 향상 폭의 출처를 자세히 확인할 수 없다. 모델 가중치는 고정하고 Harness만 진화시키므로 개선이 백본의 능력 범위 안에 머문다. 역량 범주 정의와 트리 구성에 여러 LLM 에이전트와 리뷰어가 들어가 파이프라인이 복잡하다.
의미
에이전트 성능이 모델 자체만큼이나 Harness 설계에 좌우된다는 흐름에서, 과제 유형이 아니라 공유 역량을 단위로 Harness를 자동 개선·라우팅하는 방법을 제시한다. 다양한 업무에 에이전트를 배치하는 조직이 과제별 맞춤 튜닝 부담을 줄이는 방향을 보여 준다.
핵심 용어
- Harness
- 고정된 모델을 감싸서 인지·기억·계획·도구 선택·실행 루프를 조율하는 제어 코드와 모듈 묶음이다.
- 재귀적 자기개선(RSI)
- 에이전트 시스템이 자기 실행 결과를 근거로 자기 구성 요소를 반복해서 고쳐 나가는 과정이다.
- Real2Sim2Real
- 실제 과제의 핵심 요구를 단순한 시뮬레이션으로 옮겨 학습한 뒤, 원래 실제 과제에서 전이 성능을 평가하는 방식이다.
원문
저자: Weidong Tang, Ruiheng Wang, Jingxuan Zhang, Hexin Wang, Haoyuan Chen, Zhengfeiyang Zhang, Yixing Ma, Zichen Jiang, 외 · 게시 2026-10-26 · 라이선스 CC BY 4.0 · 본문 기준 분석
이 리뷰는 AI가 논문을 읽고 작성한 요약이며, 정확한 내용은 원문을 기준으로 확인해 주세요.