Search2Skill은 LLM 에이전트가 스스로의 지식 범위를 넘어서는 전문 스킬을 습득하도록 돕는 프레임워크다. 에이전트의 역량 공백을 자동으로 식별하고 외부 자료를 검색해 그 격차를 메운 뒤, 검색된 근거를 구조화된 재사용 가능 스킬로 증류한다. 언제·어떻게 검색할지와 어떻게 스킬을 생성할지를 함께 개선하는 루브릭 기반 강화학습으로 최적화된다. 세 가지 벤치마크의 8개 전문 도메인 실험에서 검색 증강 및 궤적 기반 스킬 학습 베이스라인을 모두 능가했으며, 성능 향상이 단순 검색 근거가 아닌 스킬 추상화 자체에서 비롯되고 습득한 스킬이 모델 규모를 넘어 전이됨을 확인했다.
- •역량 공백을 자동 식별해 외부 검색으로 보완하고 스킬로 증류
- •루브릭 기반 강화학습으로 검색 시점·방식·스킬 생성을 공동 최적화
- •8개 전문 도메인 실험에서 검색·궤적 기반 베이스라인 모두 능가
- •성능 향상이 검색 근거 자체가 아닌 스킬 추상화에서 기인함을 분석으로 확인
- •습득한 스킬이 다른 모델 규모로도 전이됨을 입증
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.
Search2Skill: Skill Distillation Beyond Knowledge Boundaries Via Rubric-Based Reinforcement Learning
본문 미리보기
arXiv:2608.05245v1 Announce Type: new Abstract: Reusable skills, which encapsulate the procedural knowledge required to solve real-world professional tasks, offer LLM-based agents a path toward self-evolution in expert domains. Existing self-evolving skill methods construct skills internally from the model's parametric knowledge or trajectories, and are therefore bounded by what the model already knows. However, the domain conventions and standard procedures underlying professional skills often
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:11AI 초안
