Épi: 세션을 넘어 연구를 이어가는 자율 연구 에이전트

개요

대규모 언어 모델 에이전트는 한 세션 안에서 복잡한 추론을 수행할 수 있지만, 실패한 실험과 유용한 도구 사용법, 해결되지 않은 가설을 다음 세션으로 안정적으로 넘기는 일은 여전히 어렵습니다. BakeLab이 제안한 Épi는 연구를 일회성 답변이 아니라 장기적인 과정으로 다루려는 시스템입니다. 핵심은 새로운 기반 모델보다 연구 이력 저장, 실험 실행, 여러 경로의 탐색, 외부 검증을 하나의 반복 구조로 묶는 데 있습니다.

핵심 내용

• 영속적 연구 이력: 이전 조사와 실험을 저장해 후속 세션이 처음부터 다시 시작하지 않고 기존 성과 위에서 작업하도록 합니다.
• 계층형 메모리: 배경 정보, 개별 실험, 누적된 방법론적 경험을 서로 다른 층으로 관리합니다.
• 분기 탐색과 검토: 여러 가설을 병렬로 시험하고, 과거에 중단한 접근법을 다시 검토할 수 있습니다. 독립 검토는 제안된 결과를 점검하는 역할을 합니다.
• 수학적 결과: 12개 수치 경계 계열에서 20건, 8개 구성 문제 계열에서 100건 등 총 120건의 기록 경신 결과를 보고했습니다. n-queens 상수의 구간은 약 84배 좁아졌고, 4차 Feigenbaum 흡인자의 차원에 대한 엄밀한 구간은 360만 배 이상 좁아졌습니다.
• 수치 계산을 넘어선 증명: Tuza 추측과 관련된 특정 분할 그래프에 대해 컴퓨터 보조 증명을 제시했습니다. 또한 Cohn–Elkies 선형계획 경계가 10차원과 11차원에서 타이트할 수 없음을 보이는 정확한 쌍대 인증서도 만들었습니다.
• 알고리즘 코딩: Épi-turbo는 차량 경로, 일정 계획, 생산 계획 문제를 위한 실행 가능한 솔버를 개발합니다. 30개 FrontierOR 작업에서 Codex보다 총 벤치마크 점수가 5.4% 높았고, 모델 비용은 64%였습니다.

의미와 한계

Épi는 모델 규모나 컨텍스트 길이만 늘리는 대신, 지속적인 작업 공간과 결과로부터 학습하는 절차를 제공하는 방향을 보여줍니다. 수학과 과학 계산에서는 많은 실패 실험이 다음 성과의 발판이 됩니다. 연구 분기를 보존하면 같은 시도를 반복하는 일을 줄이고, 유망한 접근법을 다시 이어가기 쉬워집니다.

다만 ‘기록 경신’이라는 표현은 문제 정의, 비교 기준, 검증 절차와 함께 해석해야 합니다. 컴퓨터 보조 증명 역시 형식화된 가정과 검증기의 적용 범위에 좌우됩니다. 따라서 Épi를 연구자의 대체물이라기보다 폭넓게 탐색하고 계산을 수행하며 후보 해법을 제안하는 협업자로 보는 편이 타당합니다. 가정의 점검, 결과의 해석, 과학적 중요성에 대한 판단은 여전히 사람의 몫입니다.

출처: Hugging Face Daily Papers