vibecamp ai model · #8 · 2026-07-23

vibecamp 2026-07-23 — 라벨 없이 스스로 배우는 self-play 학습법

휴머노이드 지속학습부터 라벨 없는 오디오 self-play까지, 스스로 깨우치는 학습법 3건을 모았습니다.

3개 카드 · 적은 예제로 스스로 깨우치는 학습법 일간

🪞

자가수정 학습

Audio-Zero, 라벨 없이 스스로 듣는 귀를 훈련하는 오디오 AI

Audio-Zero는 외부 라벨 없이 스스로 오디오 단서를 만들고 모순을 추론해 학습하는 자가진화형(self-evolution) 프레임워크입니다. 소리를 들은 뒤 설명을 여러 개 만들고, 그중 다른 것과 어긋나는 '이질적 청취자'를 찾아내는 self-play 게임 방식으로 미세한 청각 추론 능력을 기릅니다. Qwen2-Audio-7B-Instruct와 Qwen2.5-Omni-7B에 적용한 결과, TREA·MMAU Test-mini·MMAR 벤치마크에서 전체 오디오 이해력은 유지하면서 세밀한 추론 성능이 향상됐습니다.

💡라벨링 비용 없이 모델 스스로 오류를 찾아 개선하는 self-play 패턴은 오디오뿐 아니라 다른 파인튜닝 프로젝트에도 응용할 만한 아이디어입니다.

원문 →#audio-ai#self-play#lalm#self-correction

에이전트 대신 지식을 키우는 '지식 중심 자가개선' 프로토콜

이 연구는 에이전트 자체(프롬프트·워크플로·코드)를 최적화하는 기존 방식 대신, 과제 수행 후 얻은 근거 기반 통찰을 공유 지식저장소에 축적해 재사용하는 '지식 중심 자가개선(knowledge-centric self-improvement)' 방식을 제안합니다. 에이전트는 범용적이고 교체 가능한 채로 두고, 지속되는 자산은 지식 베이스 자체라는 관점입니다. 추상추론·코딩·터미널 벤치마크에서 기존 에이전트-중심 방식보다 해결률이 높고 비용도 낮았으며, 새로운 과제와 다른 LLM 계열로도 지식이 잘 전이됐습니다.

💡프롬프트나 워크플로를 매번 재설계하는 대신 지식 베이스를 쌓아가는 접근은 개인 프로젝트의 재사용 가능한 자산 설계에 참고할 만합니다.

원문 →#self-improvement#knowledge-base#agent#llm

🔄

지속학습

일상 동작은 지키고 고난도 동작만 강화하는 휴머노이드 학습법

Extreme-RGMT는 휴머노이드 로봇이 새로운 동적 동작을 배우면서도 기존 능력을 잃지 않도록 설계된 2단계 지속학습(continual learning) 프레임워크입니다. 먼저 범용 동작 추적 정책을 학습한 뒤, 특수 샘플링 기법으로 데이터가 부족한 희귀·고난도 동작만 선택적으로 강화 학습합니다. 그 결과 기존에 잘 수행하던 동작 능력은 그대로 유지하면서, 이전에 본 적 없는 다양한 동적 동작의 완료율이 크게 향상돼 인간 수준 운동 제어에 한 걸음 다가섰습니다.

💡새 기능을 추가할 때 기존 성능이 무너지는 '파국적 망각' 문제는 로봇뿐 아니라 모든 지속학습 시스템 설계에서 공통으로 마주치는 과제입니다.

원문 →#continual-learning#humanoid-robotics#catastrophic-forgetting

이 호가 도움됐다면 공유해 주세요 — 빌더 한 명이 더 알게 됩니다.

📤 공유하기𝕏 @in f 💬✈B ✉