Meta$^n$: Recursive Self-Improvement through Emergent Depth

자기개선의 '개선기' 자체는 고정하고 그 출력에 재귀 적용해 메타 깊이 2의 한계를 깬 논문. 암기에 강한 ARC-AGI-2에서 유일하게 0점을 벗어났다.

이 논문은 한마디로 자기개선 에이전트가 '답'만 고치던 한계를 넘어, '답을 만드는 과정'을 여러 층으로 재귀 개선하는 구조다. 하나의 고정된 메타 연산 오메가가 아래 스택의 실행 흔적과 코드를 읽고 다음 층(전략 프리프로세스 + 헬퍼 라이브러리)을 코드로 쓴다. 오메가는 절대 바뀌지 않아 시스템이 무너지지 않고, 입력만 계속 자라서 각 층은 더 높은 시점에서 추론한다. 8개 벤치마크군에서 기존 자기개선 에이전트를 모두 이겼고, 암기 저항 설계인 ARC-AGI-2에서는 유일하게 0점 이상을 기록했다.

핵심 요약

• 기존 자기개선 시스템은 개선 메커니즘 자체가 고정돼 실현 메타 깊이가 약 2를 못 넘는다고 진단했다.
• 고정된 메타 연산을 자기 출력에 재귀 적용하고, 깊이는 수렴할 때까지(실제로 3~6층) 스스로 정한다.
• 층 사이 맥락 전달이 재귀 이득의 약 72%, 호출 가능한 코드 라이브러리가 약 15%를 차지한다는 이득 분해를 제시했다.
• ARC-AGI-2 홀드아웃에서 메타 스택이 0.331로 유일하게 바닥을 벗어났다(Godel Agent·OpenEvolve는 0점).
• 재귀를 제거하면 CO-Bench 검증 점수가 0.845에서 0.714로 떨어져(+0.131) 재귀 자체의 효과를 분리 확인했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.