vibecamp ai model · #9 · 2026-07-26

vibecamp 2026-07-26 — 스스로 겨루며 배우는 LLM 자가훈련법 Skill-SP

스킬 단위 self-play부터 저자원 언어 퓨샷 번역, 가중치 고정 지속학습까지 스스로 깨우치는 학습법 4건을 모았습니다.

4개 카드 · 적은 예제로 스스로 깨우치는 학습법 일간

🎯

퓨샷 학습

저자원 생의학 번역, 퓨샷 ICL·LoRA 병합 중 승자는

아랍문자 저자원 언어(다리어·파슈토어·소라니 쿠르드어·우르두어)의 생의학 번역을 위해 퓨샷 인컨텍스트러닝(few-shot in-context learning), 500문장 규모 최소 지도 파인튜닝, 학습 데이터 없이 유사언어 LoRA 어댑터를 병합하는 방식(zero-data adapter merging) 세 가지를 비교한 연구입니다. 500문장 파인튜닝이 다리어 CHrF++ 41.01로 가장 높은 성능을 보였지만, 타깃 언어 데이터가 전혀 없는 상황에서도 LoRA 어댑터 병합만으로 비슷한 수준의 성능을 냈습니다. 데이터가 거의 없는 언어·도메인에서 퓨샷과 제로샷 전략을 어떻게 고를지 참고할 만한 실험 결과입니다.

💡학습 데이터가 전무한 언어라도 유사 언어의 LoRA 어댑터를 병합하면 실전에 쓸 만한 성능을 낼 수 있다는 실무 힌트로, 자원이 부족한 프로젝트에도 바로 적용해볼 만합니다.

원문 →#few-shot learning#LoRA#저자원언어#기계번역

📚

커리큘럼 학습

스킬 단위로 겨루며 진화하는 LLM 자가훈련법 'Skill-SP'

고정된 난이도 순서 대신 검증 가능한 '스킬' 단위로 문제를 내고 풀며 스킬 라이브러리를 점점 넓혀가는 self-play 프레임워크 'Skill Self-Play(Skill-SP)'가 공개됐습니다. 제안자(proposer)·해결자(solver)·동적 스킬 컨트롤러 세 요소가 강화학습 루프 안에서 함께 진화하며, 과제 다양성과 보상 검증 가능성 사이에서 갇혀 있던 기존 자기진화 학습법의 딜레마를 풀어내려 합니다. 스킬별로 깊고 검증 가능한 학습을 보장하면서도 동적 라우팅으로 열린 과제 다양성을 유지하는 것이 핵심입니다.

💡고정된 easy→hard 순서 대신 '스킬' 단위 동적 라우팅을 쓰면 검증 가능성과 과제 다양성을 동시에 챙길 수 있다는 커리큘럼 설계 패턴을 보여줍니다.

원문 →#self-play#curriculum learning#강화학습#LLM자기진화

🪞

자가수정 학습

실패 이력으로 스스로 교정하는 메타스킬 'MetaEvolve'

MetaEvolve는 코딩 과제에서 프로그램 상태·적합도 점수·시도 이력을 조합한 진화 궤적으로 학습 데이터를 합성하고, 테스트 실행 결과라는 검증 가능한 보상으로 '환경 피드백을 반영한 자기반성' 메타스킬을 강화학습으로 훈련시킵니다. 동일분포 과제에서 10.01%p, 분포 밖 과제에서 24.12%p 절대 성능 향상을 보였고, 학습에 없던 알고리즘 최적화 문제에서도 46.9% 상대적 향상을 기록했습니다. 태스크별로 재설계해야 했던 기존 자기개선 방식과 달리, 도메인을 넘나드는 교정 전략 일반화 가능성을 보여줍니다.

💡몇 번의 실패 시도만으로 모델이 스스로 교정 전략을 일반화해 낯선 문제에도 적용한다는 점이 자기학습 에이전트 설계에 시사하는 바가 큽니다.

원문 →#self-correction#메타러닝#강화학습#coding agent

🧬

메타러닝

가중치 고정한 채 배포 피드백으로 배우는 에이전트

모델 가중치는 그대로 얼려두고(frozen-weights) 배포 중 쌓이는 상호작용 피드백을 자연어 규칙으로 뽑아 외부 메모리에 저장·검색하는 continual learning 기법입니다. τ-bench 은행 도메인 실험에서 결과 판정만 활용해도 1.6배, 교정 피드백까지 쓰면 2.6배 성능이 올랐고 기존에 못 풀던 태스크 22개를 새로 해결했습니다. Mistral Large와 Claude Sonnet 5 사이에서 축적된 메모리가 그대로 이식된다는 점도 확인돼, 재학습 없이 빠르게 적응하는 에이전트 설계에 실마리를 줍니다.

💡재학습 없이 자연어 규칙 메모리만으로 서로 다른 모델 사이에도 학습 경험을 이식할 수 있다는 저비용 적응 전략을 제시합니다.

원문 →#continual learning#frozen weights#agent memory#in-context learning

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

📤 공유하기𝕏 @in f 💬✈B ✉