LLM과 검색·메모리를 결합해 재학습 없이 피드백으로 개선하는 "에이전틱 지속학습 하니스"는 사이버보안 분야에서 가치를 인정받고 있지만, 기존 평가 방식인 라벨링된 벤치마크는 실제 보안 운영 환경에서 라벨이 희소·낡음·비대표적이라 잘 작동하지 않는다. LLM 심판 방식도 평가 대상 에이전트보다 강하지 않아 신호가 약하고, 부족한 라벨에서의 증류도 신뢰하기 어렵다. 이 논문은 라벨링된 벤치마크 없이 스케일링 가설에 기반해 학습 하니스를 종단 간 평가하는 프레임워크를 제안한다. 더 강한 교사 모델이 지속학습 하니스를 갖춘 작은 학생 모델에게 드문드문 수정을 제공하고, 학생이 시간이 지나며 교사에 얼마나 수렴하는지로 하니스를 채점한다. 여러 보안 과제·모델군·하니스 설계에서 교사 대비 향상도가 held-out 골드 스탠다드 대비 향상도와 상관관계를 보여, 라벨이 없을 때 교사 상대적 향상을 실제 하니스 성능의 대리 지표로 검증했다.

• •라벨링 벤치마크 없이 지속학습 하니스를 종단 간 평가하는 스케일링 가설 기반 프레임워크 제안.
• •강력한 교사 모델이 학생 모델에 드물게 수정을 제공하고 수렴 정도로 하니스를 채점.
• •교사 대비 향상도가 held-out 골드스타더드 대비 향상도와 상관관계를 보임을 검증.
• •유사 수준 모델 간 LLM 심판은 유용한 신호를 제공하지 못함을 확인.