EvoAlloc: A Self-Evolving Resource Allocation Agent for Efficient Program Evolution

이 논문은 프로그램 진화 탐색에서 비싼 평가 예산을 어느 후보에 쓸지 정책 자체가 경험을 쌓아 스스로 개선하는 에이전트 문제를 전략 진화와 반사실 탐사 방법으로 풀었다.

이 논문은 한마디로 프로그램 진화 탐색에서 평가 자원 배분 정책을 탐색 경험으로부터 스스로 고쳐 가는 자가진화 에이전트 EvoAlloc 을 제안했다. 에이전트는 명시적인 배분 전략을 유지하고, 지나온 배분 결과를 재사용 경험으로 걸러 다음 전략을 수정한다. 버려진 후보를 가끔 직접 평가하는 반사실 탐사로 자기 판단의 오류를 드러낸다. 그 결과 같은 예산에서 최종 성능이 8.7–12.0% 올랐고 기준 성능 도달에 전체 평가 59–82% 를 덜 썼다.

핵심 요약

• 프로그램 진화에서 평가는 계산 비용이 커서, 유망한 후보에 제한된 자원을 배분하는 일이 탐색의 중심 결정이었다.
• EvoAlloc 은 이전 탐색과 배분 결과를 재사용 경험으로 주기적으로 정리해 이후 전략 수정에 반영했다.
• 반사실 탐사 장치로 배분에서 버려진 후보를 가끔 직접 평가해 숨은 결과를 드러내고 경험을 보강했다.
• 코딩과 에이전트 하네스 최적화 벤치마크에서 EvoAlloc 은 기준 성능 도달에 전체 평가 59–82%, LLM 토큰 61–89% 를 덜 썼고 같은 예산에서 최종 성능은 8.7–12.0% 더 높았다.
• 같은 전체 평가 예산과 시드에서 EvoAlloc 은 ADAS-AIME 에서 124 개 제안을 검토해 ShinkaEvolve 의 75 개보다 탐색을 넓혔다.
• 탐사율을 바꿔 본 실험에서 최종 성능은 비슷했지만 기준 성능 도달 토큰은 크게 달라졌고 ρ = 0.3 이 가장 효율적이었다.

논문 링크

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