LLM 에이전트가 새로운 환경에서 과제를 수행하기 전, 과제 예시나 궤적, 평가 피드백 없이도 스스로 환경을 탐색해 재사용 가능한 자원(색인, 스크립트, 절차적 안내)을 구축할 수 있는지를 다룬 연구다. 연구진은 이를 '과제무관 환경 전처리'로 정식화하고, 사전에 예산 제약 아래 환경을 탐색해 고정된 솔버를 위한 산출물을 생성하는 '학습형' 시스템을 제안했다. 6개의 이질적 벤치마크에서 메타에이전트 변형이 5개 벤치마크에서 가장 높은 Avg@3 보상을 기록했지만, 가장 큰 코퍼스 벤치마크에서는 고정된 코퍼스 처리 방식이 여전히 최고 성능을 보였다. 더 큰 학습 예산이 반드시 다운스트림 보상을 개선하지는 않았지만, 학습된 산출물은 목표 점수 도달에 필요한 테스트 시점 샘플링을 줄여주었다.

• •과제 예시 없이 환경을 스스로 탐색해 재사용 자원을 구축하는 '과제무관 환경 전처리' 정식화
• •6개 벤치마크 중 5개에서 메타에이전트 변형이 최고 Avg@3 보상 기록
• •가장 큰 코퍼스 벤치마크에서는 고정 코퍼스 처리 방식이 여전히 우세
• •학습 예산 증가가 보상을 보장하진 않지만 테스트시점 샘플링 필요량은 줄임