# \#visual-rag **URL:** https://discuss.pytorch.kr/tag/visual-rag/9299.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [\[2026/10/05 ~ 11\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2026-10-05-11-ai-ml/12155)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 11, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/2026-10-05-11-ai-ml/12155 "2026-10-11T21:30:07Z")
PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: 이번 주 선정된 10편의 주요 논문들을 분석하면, 대규모 언어 모델 기반 에이전트의 실제 운영과 지속적 개선에 초점이 맞춰져 있음을 확인할 수 있습니다. 특히 에이전트의 핵심 아키텍처인 하네스(Harness)를 효율적으로 진화시키고, 생성된 결과물을 신뢰할 수 있게 검증하며, 다양한 입력 형식을 처리하는 방법론들이 집중적으로 제시되고 있음을 확인할 수 있었습니다: :one: 에이전트 '하네스(Harness)'의 진화와 구조적 최적화: 이번 주 연구들에서는 기저 언어 모델(LLM) 자체를 수정하는 대신, 에이전트의 도구 사용과 메모리를 관장하는 소프트웨어인 '하네스(Harness)'를 고도화하여 성능을 끌어올리는 흐름이 두드러졌습니다. ScholarEvolve는 최신 학술 논문을 에이전트가 직접 읽고 하네스 개선에 반영하는 평생 진화 프레임워크를 선보였고, 자기 개선 가지 혼합(Mixture of Self-Improving Branches) 연구는 다양한 탐색 분기를 두어 하네스 최적화가 지역 최적점에 빠지는 것을 방지했습니다. 또한 SCLATE는 이러한 다중 세션 및 지속 학습 에이전트들의 하네스와 메모리 성능을 통합적으로 평가하고 훈련할 수 있는 시뮬레이션 기반 구조를 제시했습니다. 이는 단순히 모델 매개변수를 늘리는 것을 넘어, 에이전트 주변의 '소프트웨어 아키텍처'를 혁신해 복잡한 작업을 해결하려는 실용적인 접근입니다. :two: 외부 정답 없는 '자기 개선(Self-Improvement)' 및 '자율 검증': 모델이 수행하는 작업이 길고 복잡해짐에 따라, 인간의 명시적인 채점 기준(루브릭)이나 정답 데이터 없이 모델 스스로 성능을 향상시키고 결과를 검증하는 자율적 메커니즘이 발전하고 있습니다. SIGMA는 모델이 스스로 정렬(Alignment) 딜레마 상황을 생성하고 자체 판단을 통해 안전성을 강화하는 학습 파이프라인을 제안했습니다. VeriHar…