# \#arc-agi **URL:** https://discuss.pytorch.kr/tag/arc-agi/3378.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Prime Intellect, 컨텍스트를 변수로 다루는 자기개선형 코딩 에이전트 Prime Agent 공개](https://discuss.pytorch.kr/t/prime-intellect-prime-agent/11544)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [8월 7, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/prime-intellect-prime-agent/11544 "2026-08-07T09:30:50Z")
Prime Agent 소개 Prime Intellect가 공개한 Prime Agent 는 코딩과 장시간 자율 작업을 위한 오픈소스 에이전트 하네스(harness)로, 재귀 언어 모델(Recursive Language Model, RLM) 과 지속 개선 하네스(Continual Harness) 라는 두 가지 추상화 위에 설계되었습니다. 여기서 하네스란 모델 자체가 아니라 모델을 감싸고 도구 호출, 컨텍스트 관리, 서브 에이전트 실행을 조율하는 실행 환경을 뜻합니다. 최근 코딩 에이전트의 성능이 모델만이 아니라 하네스 설계에 크게 좌우된다는 점이 여러 벤치마크에서 확인되면서, 하네스 자체가 독립적인 연구 대상이 되고 있습니다. Prime Intellect가 문제로 지목한 것은 현재 널리 쓰이는 하네스들이 이전 세대 모델의 능력을 전제로 만들어졌다는 점입니다. 고정된 도구 호출 스키마(tool-calling schema)와 컨텍스트 압축(compaction)은 모델이 자신을 둘러싼 보조 코드(Scaffolding)를 활용하는 대신 그것을 우회하도록 만들고, 손으로 설계한 서브 에이전트와 프롬프트, 스킬, 메모리는 설계 시점에 한 번 정해진 뒤 실행 중에 배운 것을 반영하지 못합니다. 원문은 하네스가 "현재 모델의 능력을 외삽하여 다음 세대의 추론 패턴을 향해 나아가야 한다" 는 관점을 제시합니다. 이러한 맥락에서 Prime Agent가 택한 접근은 단순합니다. 모델에게 주는 도구를 하나로 줄이되, 그 하나를 지속되는 IPython 커널로 삼는 것입니다. 파일 조작, 셸 명령, 서브 에이전트 실행, 컨텍스트 관리가 모두 코드로 이뤄지므로, 모델은 자기 자신의 대화 이력을 변수처럼 다루고 서브 에이전트를 함수처럼 호출할 수 있습니다. 여기에 하네스의 상태(프롬프트, 스킬, 메모리, 서브 에이전트 명세)를 에이전트가 직접 생성하고 수정할 수 있게 열어 두면, 실행 중에 배운 것이 다음 턴과 다음 세션으로 이어집니다. 저자들은 이 두 추상화를 모델의 능력을 끌어내… --- ## [ARC-AGI 벤치마크: AGI 개발에 필요한 새로운 벤치마크 (feat. 규모가 아니라 새로운 아이디어가 필요합니다)](https://discuss.pytorch.kr/t/arc-agi-agi-feat/4756)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 5, 2024, 12:15오전 UTC](https://discuss.pytorch.kr/t/arc-agi-agi-feat/4756 "2024-07-05T00:15:12Z")
들어가며 :pytorch::kr: 몇 일 전 :hugs: Hugging Face에서 새로운 리더보드를 발표한 것처럼, 최근 많은 AI 벤치마크들이 포화(saturate)되고 있습니다. 하지만 이러한 AI 벤치마크가 인간보다 더 뛰어난 일반 인공지능(AGI)이 탄생했음을 뜻하지는 않습니다. 왜일까요? SEQUIA 벤처 캐피탈(VC)에 이번에 게재된 마이크 눕(Mike Knoop)의 인터뷰에서 힌트를 얻어볼 수 있을 것 같아 간략하게 정리하여 소개해봅니다. Knoop은 Keras를 만든 프라아수아 숄레(François Chollet)가 제안했던 새로운 기술을 익히는 효율성을 알아보기 위한 벤치마크가 필요하다고 말합니다. 인간의 사고와 추론이 비언어적 사고를 통해 이뤄진다면, 이를 측정하기 위해서는 어떠한 문제들이 필요할까요? 좋은 아이디어가 있으신 분들께서는 ARC Prize에 참여해보시는 것도 좋을 것 같습니다. :smiley: AGI를 위한 새로운 아이디어의 필요성 “Scale is not all you need. New ideas are needed.” 현재의 대규모 언어 모델(LLM)은 큰 데이터와 계산 자원을 사용하여 놀라운 성과를 내고 있습니다. 하지만 진정한 범용 인공지능(AGI)은 새로운 아이디어와 벤치마크가 필요합니다. 마이크 누프(Mike Knoop)는 스케일만으로는 충분하지 않으며, 새로운 접근 방식이 필요하다고 강조합니다. 그는 ARC Prize와 Zapier의 공동 창립자로, 현재 AI의 한계를 극복하기 위해 새로운 벤치마크를 제안합니다. 이 벤치마크는 프랑수아 숄레(François Chollet)가 2019년에 만든 것으로, 기존의 AI 기법으로는 해결이 어려운 문제들을 포함하고 있습니다. ARC-AGI 벤치마크는 데이터를 많이 투입하더라도 단순히 기억하기 어려운 문제들로 구성되어 있습니다. 이 벤치마크를 해결하려면 매우 적은 양의 데이터로 새로운 작업을 학습할 수 있어야 합니다. 이는 현재의 LLM이 수행할 수 없는…