[논문리뷰] Sample-Efficient Learning from Agent Experience본 연구는 실제 환경과의 상호작용이 매우 비용이 많이 드는 상황에서 에이전트가 경험으로부터 효율적으로 학습하지 못하는 문제를 해결하고자 한다. ICL은 샘플 효율적인 학습을 제공하지만, 문맥이 제거되면 학습된 지식이 유지되지 않는 휘발성을 가진다.#Review#Experience Distillation#In-context Learning#Sample Efficiency#Agent Learning#Knowledge Distillation#Interactive Agent Tasks2026년 7월 23일댓글 수 로딩 중
[논문리뷰] EdgeBench: Unveiling Scaling Laws of Learning from Real-World Environments본 논문은 대규모 언어 모델(LLM) 기반 에이전트가 배포 후 실제 환경에서 어떻게 학습하고 진화하는지에 대한 과학적 이해가 부족하다는 점을 해결하고자 한다. 기존의 벤치마크는 짧은 시간 내의 일회성 결과 측정에 집중하여, 에이전트가 상호작용을 통해 점진적으로 개선되는 학습 동역학을 분석하기에 부적합하다 .#Review#EdgeBench#Scaling Laws#Log-Sigmoid#Agent Learning#Real-World Environments#Frontier Expansion2026년 7월 6일댓글 수 로딩 중
[논문리뷰] AutoEnv: Automated Environments for Measuring Cross-Environment Agent Learning본 논문은 인공 에이전트의 교차 환경 학습 능력 을 체계적으로 측정하기 위한 표준화된 인프라의 부재를 해결하는 것을 목표로 합니다. 특히, 다양하고 제어 가능한 환경의 부족과 에이전트 학습 방식을 통일적으로 표현할 방법이 없다는 두 가지 핵심 문제를 다룹니다.#Review#Automated Environment Generation#Cross-Environment Learning#Agent Learning#Language Models#Benchmark#Meta-Learning#Reinforcement Learning#Environment Design Language2025년 11월 24일댓글 수 로딩 중
[논문리뷰] Memp: Exploring Agent Procedural Memory논문은 대규모 언어 모델(LLM) 기반 에이전트가 겪는 취약한 절차적 메모리 문제를 해결하고, 에이전트에게 학습 가능하고 업데이트 가능한 평생 절차적 메모리 를 부여하는 것을 목표로 합니다. 이를 통해 에이전트의 성공률을 높이고 유사 작업에 대한 실행 효율성 을 개선하고자 합니다.#Review#Procedural Memory#LLM Agents#Memory Management#Task Automation#Lifelong Learning#Experience Replay#Agent Learning2025년 8월 11일댓글 수 로딩 중