멀티모달 에이전트는 열린 세계와 상호작용하는 데는 발전했지만 스스로 진화하는 능력은 여전히 제한적이다. 지도 미세조정은 모방만 가능하고 결과 기반 강화학습은 탐색은 촉진하지만 중간 궤적 정보를 충분히 활용하지 못한다는 한계가 있다. 연구팀은 적응형 스킬 시스템을 에이전트의 '두뇌'로 쓰는 EvolvingBrain을 제안했는데, 모델별 궤적에서 절차적·문제적 패턴을 추출해 스킬을 생성하고 도메인·계획·행동/함정 스킬로 이루어진 계층적 스킬 아키텍처를 형성하는 계층적 스킬 자기진화, 그리고 장기 상호작용을 구조화된 추상 기억으로 요약해 현재 상태에 맞게 스킬을 조합하는 상태 인식 적응 실행으로 구성된다. VAB-Minecraft와 DiscoveryWorld 실험에서 열린 세계 과제의 성공률을 높이고 일반화 능력도 보였다.
- •멀티모달 에이전트의 자기진화 한계를 극복하기 위해 적응형 스킬 시스템 EvolvingBrain 제안
- •모델별 궤적에서 절차적·문제적 패턴을 추출해 도메인/계획/행동-함정 3계층 스킬 구조 형성
- •장기 상호작용을 구조화된 추상 기억으로 요약해 현재 상태에 맞는 스킬을 선택·융합
- •VAB-Minecraft, DiscoveryWorld 실험에서 성공률 향상과 일반화 능력 확인
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
EvolvingBrain: An Adaptive Skill System for Multi-modal Agents Self-Evolution in Open Worlds
- 1.멀티모달 에이전트의 자가진화를 위한 적응형 스킬 시스템 EvolvingBrain 제안
- 2.궤적에서 절차 패턴과 문제 패턴을 추출해 Domain·Plan·Action/Trap 3단계 스킬 아키텍처로 체계화
- 3.장기 상호작용을 구조화된 추상 메모리로 요약, 현재 상태에 맞춰 스킬을 융합해 실행하는 전략 적용
- 4.VAB-Minecraft·DiscoveryWorld 벤치마크서 성공률 향상과 일반화 능력 입증
왜 중요한가?
지도학습의 모방 한계와 강화학습의 중간 경로 정보 손실 문제를 동시에 보완하는 스킬 기반 자가진화 구조를 제시해, 개방형 환경에서 활동하는 에이전트의 지속적 능력 확장 방법론으로 참고할 만하다.
언급 프로젝트
본문 미리보기
arXiv:2610.20786v1 Announce Type: new Abstract: Multi-modal agents have made significant progress in interacting with open worlds. However, their ability to self-evolve remains limited. Supervised fine-tuning enables imitation but not active experience organization, while outcome-based reinforcement learning promotes exploration yet underuses intermediate trajectory information. Therefore, we propose EvolvingBrain, which uses an adaptive skill system as the brain for agent self-evolution, consi
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:40AI 초안