장기 목표 지표 벤치: 장기 목표 지표를 위한 분자 보상 평가를 위한 agent의 한계를 시험하는
인공지능 agent는 짧고 명확한 작업을 자율적으로 완료할 수 있게되었습니다. 그러나 현재의 종결 벤치점은 간단한 문제에 초점을 맞추고 1분 이내에 완료되며, 최종 결과만 평가하는 것이 일반적입니다. 이러한 설정은 중간 진행과 부분적인 해결책을 무시하고, 희박한 보상 신호와 agent의 능력을 완전히 이해하지 못하게 합니다. 장기 목표 지표 벤치를 통해, 우리는 9개의 카테고리 (실험 재현, 소프트웨어 공학, 멀티 모달 분석, 인터랙티브 게임, 과학적 계산)로 구성된 46개의 장기 목표 지표 작업을 소개합니다.
장기 목표 지표 벤치 소개
장기 목표 지표 벤치(Long-Horizon-Terminal-Bench)는 인공지능 agent의 한계를 시험하기 위한 46개의 장기 목표 지표 작업을 포함하는 종결 벤치점입니다. 이 벤치점은 9개의 카테고리 (실험 재현, 소프트웨어 공학, 멀티 모달 분석, 인터랙티브 게임, 과학적 계산)로 구성되어 있습니다. 각 작업은 종결 벤치점 스타일의 설정과 동일하지만, 더 세분화된 평가 항목으로 구성되어 있습니다. 이 설계는 중간 보상과 부분적인 신호를 허용하여, agent의 진행과 부분적인 해결책을 평가할 수 있습니다.
- 장기 목표 지표 벤치의 작업은 일반적으로 수백개의 episode과 분량으로 수 시간의 실행 시간이 소요됩니다.
- 장기 목표 지표 벤치는 agent의 장기 계획, 장기 컨텍스트 관리, 반복적인 디버깅을 요구합니다.
- 장기 목표 지표 벤치는 기존의 종결 벤치점보다 더 어려운 작업을 요구합니다.
장기 목표 지표 벤치 평가
장기 목표 지표 벤치의 평가를 위해, 우리는 15개의 cutting-edge 모델을 평가했습니다. 결과는 다음과 같습니다.
- 평균 토큰 수: 9.9M 토큰
- 평균 episode 수: 231 episode
- 평균 실행 시간: 85.3분
- 가장 강력한 모델의 성능: 15.2% pass@1 (부분 보상 기준), 10.9% pass@1 (완벽 보상 기준)
- 평균 성능: 4.3% pass@1 (부분 보상 기준), 1.7% pass@1 (완벽 보상 기준)
이 결과는 agent의 한계가 여전히 존재함을 보여줍니다.
장기 목표 지표 벤치의 미래
장기 목표 지표 벤치는 장기 목표 지표 agent의 향후 발전을 지원하기 위해 개발되었습니다. 우리는 장기 목표 지표 벤치의 실패 모드와 오류 패턴을 분석하고, 장기 목표 지표 벤치를 공개하여, agent 개발자들이 장기 목표 지표 벤치를 사용하여 agent를 개발하고, 테스트할 수 있도록 합니다.
함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.