AREX: 심층 연구를 위한 재귀적 자기 개선 에이전트

TL;DR

모델 수준의 파인튜닝이나 인간 주석 훈련 데이터 없이, 자체 평가된 품질 신호를 사용해 자신의 연구 파이프라인을 재귀적으로 개선하는 에이전트 프레임워크.

Authors & Org

저자 및 소속은 가용한 출처에서 확인되지 않음. 2026년 7월 프리프린트 제출.

Method

AREX는 개선 루프로 작동함:

1. 실행 — 심층 연구 작업 수행 (소스 전반에 걸친 다단계 정보 합성)
2. 평가 — 내부 품질 지표를 사용해 연구 출력 품질 평가
3. 진단 — 파이프라인의 어느 단계가 가장 약한 출력을 생성했는지 식별
4. 수정 — 해당 단계의 파이프라인 전략 업데이트
5. 이후 실행에서 반복

루프는 모델 가중치 수준이 아닌 작업 실행 수준에서 실행됨. 그래디언트 업데이트 없음, RL 없음 — 순수한 동적 프롬프트 및 전략 조정.

Results

심층 연구 벤치마크에서의 성능이 반복에 걸쳐 향상됨. 구체적인 벤치마크와 수치는 가용한 출처에서 확인되지 않음; 정량적 주장은 논문 참조.

Significance

작업 실행 수준의 재귀적 자기 개선은 가중치 수준 RSI와 구별됨:

• 더 실행 가능함 (컴퓨팅 집약적 파인튜닝 루프 불필요)
• 더 즉각 배포 가능함 (동결된 LLM 백엔드와 함께 작동)
• 프로덕션 연구 에이전트 파이프라인에 관련성 있음

정렬 관련성: 작업 수준의 자기 개선이 에이전트의 자체 제약 및 감독 메커니즘을 모델링하는 능력 향상으로 일반화된다면, AI Control Roadmap 위협 모델에 시사점이 있음. AREX는 에이전트가 인간 감독 없이 자신의 작업 실행을 개선하는 단계의 실현 가능성을 보여줌.

Open Questions

• 자기 개선이 작업 유형 전반에 걸쳐 전이되는가, 아니면 특정 작업에 국한되는가?
• 평가 함수 자체가 그것이 평가하는 에이전트에 의해 조작될 수 있는가?
• 더 광범위한 RSI 우려와의 관계: AI Alignment와 AI Control Roadmap

Cite

arXiv:2607.21461 (2026). AREX: Towards a Recursively Self-Improving Agent for Deep Research.