멀티 에이전트 전략 게임에서 언어 모델 훈련의 핵심 난제는 행동 품질이 미래 사건·규칙 위반·타 플레이어 결정에 의존한다는 점이다. 이 연구는 에피소드 종료 시 보상을 역전파하고 유효한 종속 정보가 없는 스텝을 훈련에서 제외하는 '적격 게이팅을 가진 지연 단계별 보상 귀인' 방법을 도입한다. NeurIPS 2025 MindGames Arena에서 8B 파라미터 오픈소스 모델이 GPT-5를 포함한 훨씬 큰 독점 모델들을 능가하며 공개·효율(≤8B) 트랙 양쪽에서 1위를 차지했다.

• •에피소드 종료 시 보상을 역전파하고 유효한 종속 정보가 없는 스텝을 제외하는 지연 단계별 보상 귀인으로 멀티 에이전트 환경의 RL 크레딧 할당 문제를 해결한다.
• •vLLM 연속 배칭 비동기 롤아웃 생성, 커리큐럼 기반 상대 샘플링, 다단계 계층화 배치 구성으로 안정적이고 샘플 효율적인 RL 학습을 달성한다.
• •8B 파라미터 오픈소스 모델이 GPT-5를 포함한 대형 독점 모델을 능가해, 방법론적 혁신이 모델 크기를 대체할 수 있음을 입증했다.
• •NeurIPS 2025 MindGames Arena 공개 트랙과 효율(≤8B) 트랙 양쪽에서 1위를 기록했다.