AI 모델의 성능 향상은 단순히 무작정 파라미터를 늘리고 연산 능력을 사용하는 것만으로 가능할까요? 구글은 완전히 새로운 해법을 제시했습니다!
최근, 구글은 재귀적 자기개선(RSI) 분야에서의 최신 혁신 기술인 Harness² 프레임워크를 공식적으로 오픈소스로 공개했습니다. 이 방식은 전통적인 경로 의존성을 깨뜨리고, 대형 모델의 기반 가중치를 수정할 필요 없이 외부 운영 스크럼(Scaffold)을 최적화함으로써 대형 모델의 성능을 비약적으로 향상시킬 수 있습니다. 주목할 점은, 이 프레임워크의 핵심 연구팀에서 중국인이 78%를 차지한다는 것입니다.
두 주요 산업의 치명적인 약점을 공략하기: 작업 수준 및 개선 수준의 이중 레프레싱
과거의 RSI(재귀적 자기 개선) 방식은 두 가지 주요 문제에 직면했습니다. 첫째, 표준적인 답이 없을 때 잘못된 방향으로 나아가기 쉽습니다. 둘째, 단일 작업에 과도하게 적합해지는 현상이 발생하기 쉽습니다. 이를 해결하기 위해 Harness²는 혁신적인 이중 레벨 재귀 구조를 도입했습니다.
임무 수준 재귀(제안-탐색-합성 메커니즘): 표준적인 답이 없는 개방적 환경에서, 시스템은 여러 단계의 대조 검증을 통해 유효한 변경 사항을 안전하게 실행 스크래치에 통합하고, 병렬 확장도 지원하여 검색 공간을 크게 넓힙니다.
개선 단계 재귀(경험 데이터베이스의 축적 및 재사용): 디버깅 과정에서 얻은 귀중한 경험을 지속적으로 개선할 수 있는 경험 데이터베이스에 저장합니다. 이후 새로운 작업에 직면했을 때, 에이전트는 이전 경험을 즉시 검색하여 재사용함으로써 개선 능력을 지속적으로 효율적으로 반복할 수 있습니다.
실제 성능이 놀랍습니다: 점수가 전반적으로 급격히 상승했으며, 다양한 분야로의 이동 능력이 최대치에 도달했습니다
여러 권위 있는 기준 테스트에서 Harness²의 실제 성능은 매우 뛰어났습니다.
WorkBuddy-Bench 테스트에서 이 프레임워크를 적용한 후 GLM-5 점수는 직접 11.5점 급상승했으며, 원래의 Gemini3.5Flash보다도 앞섰습니다.
JobBench, 법률 기준 LAB 등 다양한 분야의 테스트에서 모델 성능도 동일하게 크게 향상되었으며, 여러 분야를 넘나드는 경험 데이터베이스를 활용하면 성능을 더욱 증폭시킬 수 있다.
런타임 인지 엔지니어링 새로운 경로를 시작하세요
이러한 성과의 등장은 업계가 단순한 기반 모델 매개변수 확장(Scaling Law)에만 의존하는 전통적인 방식을 벗어나, 에이전트가 실행 중에 스스로 인지하고 스스로 수정할 수 있는 런타임 인지 공학의 새로운 길을 정식으로 모색하고 있음을 의미합니다. Harness²가 완전히 오픈소스화됨에 따라, 개발자들은 매우 낮은 비용으로 자신의 AI 모델을 실제 운영 중에 지속적으로 진화시키고 더욱 똑똑해질 수 있게 될 것입니다!