논문 정보
- 날짜:
2026-02-28 - 카테고리: -
- 우선순위 점수: 2.1
핵심 요약
강화학습 기반 LLM 에이전트의 탐색 성능을 개선하기 위해 메모리 증강형 하이브리드 최적화 프레임워크인 EMPO^2를 제안합니다. 이 모델은 온-폴리시와 오프-폴리시 업데이트를 결합하여 메모리 활용 시의 성능과 미활용 시의 견고함을 동시에 확보했습니다. ScienceWorld와 WebShop 벤치마크에서 기존 GRPO 대비 유의미한 성능 향상을 보였으며, OOD 환경에서도 높은 적응력을 증명했습니다.학습자 관점 포인트
- 우리 팀 영향: 메모리 기반 탐색 기법과 하이브리드 RL 최적화 방식을 통해 복잡한 환경에서 에이전트의 문제 해결 능력을 강화할 수 있습니다.
- 권장 액션: 실험
- 액션 근거: 기존 GRPO 대비 높은 성능 향상 폭을 보였으며, 파라미터 업데이트 없이도 새로운 태스크에 적응하는 메모리 활용 방식이 실용적이기 때문입니다.
원문 링크
- arXiv: https://arxiv.org/abs/2602.23008
- Hugging Face Papers: https://huggingface.co/papers/2602.23008