# \#code-generation **URL:** https://discuss.pytorch.kr/tag/code-generation/6959.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [RSI-Anything: 월드 모델로 후보를 고르고 검증된 업데이트만 남기는 재귀적 자기 개선 프레임워크에 대한 연구](https://discuss.pytorch.kr/t/rsi-anything/12175)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 14, 2026, 7:00오전 UTC](https://discuss.pytorch.kr/t/rsi-anything/12175 "2026-10-14T07:00:11Z")
핵심 요약 RSI-Anything 논문은 정책이 낸 후보 중 실제로 실행할 것을 월드 모델의 예측으로 고르는 재귀적 자기 개선 프레임워크를 제안합니다. 실행 피드백으로 정책과 월드 모델을 갱신하고, 두 검사를 통과한 정책과 모델 쌍만 다음 라운드에 남깁니다. 코드 복구 실험에서 코더 모델을 고정한 채 정적 검증기 26.3\\% → 월드 모델 선택 29.2\\% → 월드 모델 적응 31.2\\% 로 성공률이 올랐고, 실행한 테스트 호출 수는 과제당 약 3.7 회로 같았습니다. RSI-Anything GitHub 저장소의 결과 기록을 보면 평가 조건이 도메인마다 다릅니다. 반응 최적화는 이미 측정된 수율 표를 다시 꺼내 보는 오프라인 평가이고, GUI의 99\\% 는 월드 모델이 아니라 정책 순위를 따르는 실행 규칙에서 나온 값입니다. 정책과 월드 모델이 한 과제 안에서 여러 라운드에 걸쳐 서로를 계속 개선하는지 확인하려면 여러 라운드의 공동 평가가 더 필요하다고 저자들이 직접 밝혔으며, 면역학 응용의 추론 코드는 공개 예정(Coming soon) 상태입니다. RSI-Anything 소개 RSI-Anything은 재귀적 자기 개선(RSI, Recursive Self-Improvement) 프레임워크로, PhAI Labs와 홍콩중문대학교(CUHK), 마카오대학교, 상하이교통대학교, 푸단대학교, 옥스퍼드대학교, 스탠퍼드대학교, 베이징대학교의 연구자들이 공개했습니다. 이 논문은 외부 피드백이 비싼 환경에서 월드 모델(world model) 의 예측으로 실제로 실행해 볼 후보를 고르는 방법을 다룹니다. 그 실행 결과로 정책과 월드 모델을 함께 고쳐 나갑니다. 여기서 월드 모델은 어떤 행동을 했을 때 결과가 어떻게 될지를 미리 예측하는 모델을 말합니다. 피드백은 비싸고, 정책이 바뀌면 월드 모델의 예측을 믿기 어려워질 수 있습니다 재귀적 자기 개선은 상호작용에서 얻은 경험을 다음 라운드의 행동과 학습에 남기는 과정입니다. PyTorchKR에서 앞서 정리한 재귀적 자기 … --- ## [ASPIRE: 스스로 코드를 고치며 스킬을 쌓는 자기개선형 로봇 학습에 대한 연구 (feat. NVIDIA)](https://discuss.pytorch.kr/t/aspire-feat-nvidia/11066)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 15, 2026, 12:30오후 UTC](https://discuss.pytorch.kr/t/aspire-feat-nvidia/11066 "2026-07-15T12:30:01Z")
ASPIRE 소개 숙련된 로봇 엔지니어가 새로운 작업을 프로그래밍하는 모습을 떠올려 봅시다. 로봇이 물건을 집다 실패하면, 그는 곧바로 코드를 갈아엎지 않습니다. 대신 실행 로그를 되짚어 보고, 카메라가 무엇을 봤는지 확인하고, 팔이 어떤 경로로 움직였는지 살핀 뒤, 정확히 어느 단계에서 무엇이 어긋났는지를 짚어냅니다. 그렇게 쌓인 디버깅 경험은 "이런 상황에서는 이렇게 접근하면 된다"는 재사용 가능한 노하우로 축적되고, 백 번째 작업을 다루는 엔지니어는 첫 번째 작업을 다루던 자신보다 훨씬 능숙해집니다. 이 글에서 소개하는 ASPIRE(Agentic Skill Programming through Iterative Robot Exploration) 는 바로 이 과정을 코딩 에이전트로 자동화한 로봇 지속 학습(Continual Learning) 시스템입니다. NVIDIA GEAR 연구실을 중심으로 미시간대학교(UMich), UIUC, UC 버클리, 카네기멜런대학교(CMU)가 함께 발표한 이 연구는, 로봇 제어 프로그램을 코드-정책(Code-as-Policy) 패러다임으로 직접 작성하고 스스로 고쳐 나가면서, 검증된 수정 경험을 재사용 가능한 스킬 라이브러리(Skill Library) 로 계속 쌓아 올리는 자기개선형 에이전트를 제안합니다. 기존 로봇 학습 접근법과 그 한계 로봇에게 새로운 조작 능력을 부여하는 방법은 크게 두 갈래로 발전해 왔습니다. 첫 번째는 시각-언어-행동 모델(Vision-Language-Action, VLA) 처럼 관측을 곧바로 행동으로 매핑하는 종단간(end-to-end) 정책입니다. OpenVLA, \\pi\_0 , \\pi\_{0.5} 같은 최신 모델들이 여기에 속합니다. 이 방식은 강력하지만, 학습 시 보지 못한 물체 배치나 목표, 공간적 변형이 조금만 가해져도 성능이 급격히 무너지고, 지시문을 살짝 바꿔 표현하기만 해도 크게 흔들리는 취약성을 보입니다. 무엇보다 정책이 왜 실패했는지 들여다보고 고칠 수 있는 통로가 사실상 없습니… --- ## [Code as Agent Harness: 코드를 AI 에이전트의 운영 기반(하네스)으로 보는 서베이 논문](https://discuss.pytorch.kr/t/code-as-agent-harness-ai/10920)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 29, 2026, 6:30오전 UTC](https://discuss.pytorch.kr/t/code-as-agent-harness-ai/10920 "2026-06-29T06:30:58Z")
Code as Agent Harness 소개 처음으로 규모가 큰 소프트웨어 프로젝트를 맡았던 순간을 떠올려 봅시다. 머릿속으로 멋진 설계를 떠올리는 것만으로는 아무 일도 일어나지 않습니다. 코드를 직접 작성해 실행해 보고, 테스트가 빨간불을 내면 원인을 추적하고, 로그를 뒤지고, 작은 수정을 반복하면서 비로소 동작하는 시스템에 도달합니다. 우리가 일을 해내는 진짜 무대는 머릿속이 아니라 파일, 터미널, 테스트, 실행 환경이 모여 있는 작업 공간입니다. 이 서베이는 최근의 AI 에이전트에게도 똑같은 일이 벌어지고 있다고 주장합니다. Code as Agent Harness(코드를 에이전트의 하네스로) 는 코드를 더 이상 대형 언어 모델(Large Language Model, LLM)이 만들어 내는 최종 산출물로만 보지 않고, 에이전트가 추론하고, 행동하고, 환경을 표현하고, 실행 결과로 스스로를 검증하는 운영 기반(operational substrate)으로 보자는 통합적 관점입니다. 이 글은 University of Illinois Urbana-Champaign(UIUC), Meta, Stanford University의 연구자 45명이 공동으로 작성한 102페이지, 450편 이상의 논문을 인용한 대형 서베이 Code as Agent Harness를 정리한 것입니다. 여기서 핵심 개념은 하네스(harness) 입니다. 하네스란 LLM을 도구, API, 샌드박스, 메모리, 검증기(validator), 권한 경계, 실행 루프, 피드백 채널로 둘러싸서, 상태가 없는 모델(stateless model)을 장시간 과제를 수행할 수 있는 기능적 에이전트로 바꿔 주는 소프트웨어 계층을 말합니다. 마구(馬具)가 말의 힘을 마차에 연결해 실제로 쓸 수 있게 만드는 것처럼, 하네스는 모델의 출력을 실제 행동과 지속적인 상태에 연결합니다. 이 관점에서 자율성의 병목은 단지 기반 모델의 추론 능력만이 아니라, 모델 출력을 장기적 행동과 상태로 안정적으로 이어 주는 시스템의 … --- ## [Ornith-1.0: 스캐폴드를 스스로 학습하는 에이전트 코딩 LLM (feat. DeepReinforce)](https://discuss.pytorch.kr/t/ornith-1-0-llm-feat-deepreinforce/10951)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 28, 2026, 7:30오전 UTC](https://discuss.pytorch.kr/t/ornith-1-0-llm-feat-deepreinforce/10951 "2026-06-28T07:30:54Z")
Ornith-1.0 소개 처음으로 정말 까다로운 프로그래밍 과제를 마주했던 순간을 떠올려 봅시다. 우리는 곧장 정답 코드를 써 내려가지 못합니다. 대신 어떤 순서로 파일을 열어볼지, 어떤 테스트를 먼저 돌려볼지, 에러가 나면 어떻게 기록하고 되짚을지와 같은 작업 절차(워크플로) 자체를 먼저 머릿속에 세우고, 그 절차를 따라 시도하고 실패하면서 절차 자체를 조금씩 고쳐 나갑니다. 좋은 개발자와 그렇지 못한 개발자의 차이는 단순히 코드 실력뿐 아니라, 문제를 풀어가는 이 절차를 얼마나 잘 설계하느냐에서 갈리기도 합니다. 이 글에서 소개하는 Ornith-1.0 은 바로 이 "문제를 풀어가는 절차"까지 모델이 스스로 학습하도록 만든 에이전트 코딩(agentic coding) 특화 오픈소스 모델 패밀리입니다. DeepReinforce 팀이 공개한 Ornith-1.0은 사람이 손으로 설계한 고정된 작업 절차에 의존하는 대신, 모델이 해법(solution)과 그 해법을 이끌어내는 작업 절차(scaffold)를 함께 생성하고 함께 최적화하는 자기개선형(self-improving) 강화학습(Reinforcement Learning) 프레임워크를 핵심으로 합니다. 그 결과 Ornith-1.0은 동급 크기의 오픈소스 모델 중 다수의 코딩 벤치마크에서 최고 수준(state-of-the-art)의 성능을 달성했습니다. 에이전트 코딩과 "하네스(harness)"의 한계 최근 대형 언어 모델(LLM)을 단순한 코드 자동완성 도구를 넘어, 터미널을 직접 다루고 여러 파일을 오가며 버그를 고치는 자율 에이전트(autonomous agent) 로 활용하려는 흐름이 빠르게 확산되고 있습니다. SWE-Bench 나 Terminal-Bench 처럼 실제 GitHub 이슈를 해결하거나 터미널 환경에서 과제를 완수하는 능력을 측정하는 벤치마크가 사실상의 표준 평가 기준으로 자리 잡았습니다. 이런 에이전트 코딩에서 모델의 성능을 좌우하는 결정적인 요소 중 하나가 바로 하네스(harness),… --- ## [Code World Model Preparedness Report: Meta 32B 코드 모델 사전 안전성 평가](https://discuss.pytorch.kr/t/code-world-model-preparedness-report-meta-32b/10105)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 24, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/code-world-model-preparedness-report-meta-32b/10105 "2026-06-24T21:30:06Z")
Code World Model Preparedness Report 소개 프론티어 모델 공개와 위험 평가의 딜레마 오픈 웨이트(Open-weight) 모델을 공개하는 일은 언제나 양면성을 가집니다. 한편으로는 연구자와 개발자 누구나 모델을 직접 들여다보고 개선할 수 있어 AI 생태계 전체의 발전을 가속화합니다. 다른 한편으로는, 일단 가중치가 공개되면 누가 어떤 목적으로 사용하든 통제할 수 없기 때문에, 모델이 사이버 공격, 생화학 무기 제조 보조, 혹은 거짓말을 통한 사용자 조작 같은 잠재적 위험에 어느 정도 기여할 수 있는지를 사전에 따져보는 작업이 필수적입니다. 기존 접근법들은 각자의 한계를 가지고 있었습니다. 단순히 모델이 위험한 질문에 답을 거부하는지(refusal rate)만 측정하는 방식은 안전 미세조정의 표면적 효과만 확인할 뿐, 실제로 모델이 가진 위험한 능력의 깊이를 드러내지 못합니다. 또한 학술 벤치마크(MMLU, HellaSwag 등)는 일반적 능력은 잘 평가하지만, "이 모델이 정말 사이버 공격을 자동화할 수 있는가?"라는 질문에는 답하지 못합니다. 일부 연구에서 사용되는 단순한 지식 기반 객관식 평가(예: WMDP) 또한 모델이 그 지식을 실제 공격으로 옮길 수 있는 능력을 가졌는지는 측정하지 못합니다. Meta의 Frontier AI Framework 는 이런 격차를 메우기 위해 재앙적 위험 영역(Catastrophic Risk Domains) 을 사이버 보안과 화학/생물학으로 정의하고, 각 영역에서 모델이 "이 위험 임계값을 넘는가?"를 정량적으로 판단하는 절차를 제시합니다. 이번에 공개된 Code World Model Preparedness Report는 CWM(Code World Model) 이라는 32B 파라미터 오픈 웨이트 코드 모델을 이 프레임워크에 따라 출시 전에 평가한 결과를 정리한 보고서입니다. 이 보고서가 다루는 핵심 질문 이 보고서는 다음 세 가지 질문에 답하기 위해 설계되었습니다. 첫째, CWM이… --- ## [FrontierCode: 정확성을 넘어 "병합 가능한 코드 품질"을 측정하는 벤치마크 (feat. Cognition)](https://discuss.pytorch.kr/t/frontiercode-feat-cognition/10623)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 12, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/frontiercode-feat-cognition/10623 "2026-06-12T09:30:52Z")
FrontierCode 소개 새로 들어온 동료가 보낸 첫 Pull Request를 떠올려 봅시다. 코드는 분명히 동작합니다. 테스트도 통과하고, 버그를 정확히 고쳤습니다. 그런데 막상 리뷰를 시작하면 무언가 걸립니다. 변경하지 않아도 될 파일까지 손을 댔거나, 저장소의 기존 컨벤션을 따르지 않았거나, 테스트가 형식적으로만 존재할 때 우리는 "동작은 하지만 이대로는 머지하기 어렵다"고 말합니다. 즉, 코드가 정확한 것 과 좋은 것 은 전혀 다른 문제입니다. Cognition 이 공개한 FrontierCode 는 바로 이 간극을 측정하는 코딩 벤치마크입니다. 오늘날의 코딩 벤치마크들은 모델이 정확한(correct) 코드를 작성할 수 있다는 사실을 이미 충분히 입증했습니다. 하지만 AI가 생성한 코드가 프로덕션으로 향하는 주된 경로가 되면서, 정확성은 이제 기본 전제(table stakes)가 되었습니다. FrontierCode는 한 단계 더 나아가 "모델이 실제로 좋은 코드를 작성할 수 있는가?" 를 묻습니다. 정확성에서 품질로, 기준을 끌어올리다 FrontierCode가 기존 벤치마크와 결정적으로 다른 점은 코드의 병합 가능성(mergeability)을 측정하는 최초의 벤치마크 라는 데 있습니다. 핵심 질문은 단순하면서도 본질적입니다. "저장소의 메인테이너가 이 PR을 실제로 머지할 것인가?" 이를 위해 FrontierCode는 코드 품질을 여러 축에서 종합적으로 평가합니다. 정확성은 물론이고 테스트 품질, 변경 범위의 절제(scope discipline), 코드 스타일, 그리고 해당 코드베이스의 관례 준수까지 함께 봅니다. 채점에는 유닛 테스트, 루브릭(rubric), 그리고 새롭게 고안된 검증기(verifier)들을 조합한 앙상블 방식이 사용됩니다. 이 벤치마크의 신뢰성을 떠받치는 세 가지 기둥이 있습니다. 현업 메인테이너가 직접 설계: 20 명이 넘는 세계 정상급 오픈소스 개발자들이 자신이 관리하는 저장소에서 현실적이고 다양하며 어려운 과제… --- ## [ProgramBench: 컴파일된 바이너리만 보고 코드베이스를 처음부터 재구축하도록 평가하는 Meta의 LLM 벤치마크](https://discuss.pytorch.kr/t/programbench-meta-llm/10137)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [5월 11, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/programbench-meta-llm/10137 "2026-05-11T21:30:59Z")
ProgramBench 소개 언어 모델(Language Model, LM)을 활용한 소프트웨어 개발은 더 이상 단일 함수 작성에 머무르지 않습니다. 여러 SWE 에이전트(SWE Agent)가 장기간에 걸쳐 코드베이스를 새로 만들고 유지보수하는 사례가 늘어나면서, 모델이 단일 버그 수정이나 정해진 기능 추가가 아닌 시스템 아키텍처 수준의 의사결정을 직접 내리는 능력이 중요해졌습니다. 그러나 SWE-bench, HumanEval, MBPP 같은 기존 벤치마크는 정해진 저장소나 함수 단위 문제에 초점을 맞추기 때문에, 모델이 비어 있는 디렉터리에서 시작해 완전히 새로운 프로그램을 설계하고 구현하는 능력은 측정하지 못합니다. ProgramBench는 Meta(facebookresearch)가 공개한 새로운 벤치마크로, 이 공백을 메우기 위해 설계되었습니다. 평가 시 에이전트는 오로지 컴파일된 참조 바이너리(Reference Executable)와 그에 대한 사람 작성 문서만 제공받고, 그 동작을 동일하게 재현하는 코드베이스를 처음부터 작성해야 합니다. 즉, 함수 시그니처도, 파일 구조도, 라이브러리 선택도 사전에 정해주지 않습니다. 평가는 정해진 단위 테스트 통과 여부가 아니라, 에이전트 기반 퍼징(Fuzzing)으로 자동 생성되는 200개 과제, 수만 개의 행동 일치(End-to-End Behavioral) 테스트로 진행됩니다. 평가 대상 프로그램의 스펙트럼도 매우 넓습니다. 작은 CLI 도구부터 시작해 FFmpeg, SQLite, PHP 인터프리터처럼 광범위하게 사용되는 실세계 소프트웨어까지 200개 과제가 포함되며, 동일 과제를 9개의 LLM에 대해 측정한 결과 어떤 모델도 어떤 과제 하나조차 완전히 풀지 못했고, 가장 좋은 모델조차 전체 과제 중 단 3% 만이 95% 테스트를 통과한 수준에 그쳤다고 보고되어 있습니다. 또한 모델들은 모듈 분할이 거의 없는 단일 파일(Monolithic) 구현을 선호하는 경향이 강해, 사람이 작성한 코드와 구조적으로 크… --- ## [장시간 자율 코딩을 위한 에이전트 하네스 설계: GAN에서 영감 받은 멀티 에이전트 아키텍처 (feat. Anthropic)](https://discuss.pytorch.kr/t/gan-feat-anthropic/9427)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [3월 29, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/gan-feat-anthropic/9427 "2026-03-29T03:30:50Z")
'장시간 자율 애플리케이션 개발을 위한 에이전트 하네스 설계' 연구 개요 연구 소개 및 배경 AI 코딩 에이전트가 빠르게 발전하면서, 단순한 코드 생성을 넘어 장시간 자율적으로 완성도 높은 애플리케이션을 개발할 수 있는지가 중요한 화두가 되고 있습니다. 글을 작성한 Prithvi Rajasekaran 및 그가 소속된 Anthropic Labs 팀은 이 문제에 대해 수개월간 실험하며, 클로드(Claude)가 고품질의 프론트엔드 디자인을 자율적으로 생성하게 만드는 문제와 독립적으로 장시간 실행되며 완전한 애플리케이션을 스스로 구축하게 만드는 두 가지 상호 연결된 핵심 과제에 집중해 왔습니다. 이 연구는 Anthropic이 이전에 발표한 프론트엔드 디자인 스킬과 장시간 코딩 에이전트 하네스 연구의 연장선에 있습니다. 이러한 연구 단계들에서 고도화된 프롬프트 엔지니어링과 하네스 설계를 통해 기존 기준치 이상의 괄목할 만한 성능 향상을 이루어냈지만, 개발이 거듭될수록 결국 어느 순간 품질 향상의 한계에 부딪히는 정체 현상을 경험하게 되었습니다. 연구자들은 적대적 생성 신경망(GAN)의 대립적 학습 구조에서 영감을 받아, 코드를 실제로 생성하는 생성자(generator) 에이전트와 이를 객관적으로 평가하는 평가자(evaluator) 에이전트로 분리하는 멀티 에이전트 구조를 설계하고, 여기에 기획자(planner) 를 추가하여 최종적으로 3-에이전트 아키텍처로 발전시켰습니다. 이 구조를 통해 수 시간에 걸친 자율 코딩 세션에서 풍부한 풀스택 애플리케이션을 생성하는 데 성공했습니다. 단순한 구현이 실패하는 이유 장시간 에이전트 코딩에서 반복적으로 나타나는 두 가지 핵심적인 실패 원인들이 있습니다: 첫 번째는 컨텍스트 윈도우 문제입니다. 모델은 긴 작업을 수행하면서 컨텍스트 윈도우가 채워지면 일관성을 잃는 경향이 있습니다. 일부 모델은 "컨텍스트 불안(Context Anxiety)"이라는 현상을 보이는데, 컨텍스트 한계에 가까워졌다고 판단하면 작업을 조기에 마무리…