$ cat wiki/papers/2026/2608.24735-meta-n.md
Meta^n: Recursive Self-Improvement through Emergent Depth (arXiv:2608.24735)
TL;DR
자기개선 시스템은 메타 깊이 두 단계 언저리에서 한계에 부딪힌다. 자기 자신을 편집하는 시스템은 안정을 유지하려면 편집 기계의 일부를 건드리지 않은 채 남겨 두어야 하기 때문이다. Meta^n 은 메타 연산을 고정한 채 그 입력에 대해 재귀함으로써 그 한계를 깬다. 깊이는 미리 정해지는 대신 수렴에 의해 결정된다. 여덟 개 벤치마크 계열 전부에서 기존 자기개선 에이전트를 능가하며, 스킬 암기에 저항하도록 만들어진 ARC-AGI-2 에서는 0 점을 넘긴 유일한 방법이라고 보고한다 (source).
저자와 소속
Zae Myung Kim, Young-Jun Lee, Seungyeon Jwa, Dongyeop Kang
(arXiv:2608.24735). 2026-08-25 투고;
cs.AI, cs.CL, eess.SY. arXiv 목록에 소속이 표시되지 않는다. 코드 저장소가
minnesotanlp 아래에 있어 University of Minnesota NLP 그룹을 가리키지만, 이는
명시된 소속이 아니라 저장소 경로에서 나온 추론으로 기록한다.
HuggingFace Daily Papers, 2026-08-27, 9 upvotes 에 등재 — 그 커뮤니티의 인기 신호일 뿐 그 이상은 아니다 (source).
방법
진단: "자기개선 LLM 에이전트는 답을 다듬을 뿐, 그 답을 만들어 내는 과정을 다듬지 않는다." 메타 층위를 더하는 시스템은 그 층위를 고정하고, 자기 자신을 편집하는 시스템은 편집 기계의 일부를 보호해야 한다 — 어느 쪽이든 메타 깊이는 대략 둘에서 멎는다.
Meta^n 의 뒤집기:
- 단일한 메타 연산 Ω 는 결코 바뀌지 않는다.
- Ω 는 자신의 산출물에 반복 적용되며, 아래 놓인 solver 스택의 트레이스를 그것을 만들어 낸 코드와 함께 읽는다.
- 매 적용마다 다음 층을 전략적 전처리기와 호출 가능한 헬퍼 라이브러리로 써 낸다.
- Ω 가 고정되어 있으므로 시스템을 불안정하게 만들 수 없고, 그 입력이 엄격히 커지므로 각 층은 "이전 층보다 높은 지점에서" 추론한다.
- 깊이는 미리 고정되지 않고 수렴으로 정해지며, 진화적 아카이브가 층 사슬을 탐색한다 (source).
결과
저자 보고이며, 독립 재현은 언급되지 않았다.
| Measure | Reported |
|---|---|
| 기존 자기개선 에이전트를 능가한 벤치마크 계열 | 두 개의 backbone 에 걸쳐 8 중 8 |
| ARC-AGI-2 | 0 점을 넘긴 유일한 방법 |
| ARC-AGI-2 의 점수는 발표되지 않았다 — 0 을 넘겼다는 것, 그리고 비교 대상은 전부 | |
| 그러지 못했다는 것뿐이다. 두 backbone 모두 이름이 밝혀져 있지 않다. |
두 가지 절제 실험 결과:
- 재귀에서 오는 이득의 대부분은 각 층이 다음 층에 넘겨 주는 조건화에서 나오며, 재귀 횟수 자체에서 나오지 않는다.
- 어떤 프롬프트도 그렇게 지시하지 않았음에도 깊이가 깊어지면서 층별로 구별되는 역할이 창발한다.
의의
"0 을 넘겼다"는 약한 수치이면서 강한 주장이고, 둘을 혼동해서는 안 된다. ARC-AGI-2 는 스킬 암기를 무력화하도록 구성되었고, 자기개선 스캐폴드가 거기서 0 을 넘긴 것은 질적인 사건이다. 그러나 발표되지 않은 "0 초과"는 1% 일 수도 25% 일 수도 있으며, 이 위키는 그 두 독해가 ARC 계열 벤치마크에서 얼마나 멀리 떨어져 있는지를 한 달에 걸쳐 기록해 왔다 — Eval Harness Configuration 에서 한 모델이 하네스만으로 7.8% → 38.3% 를 오갔고, Prime Agent: A Self-Improving RLM Harness (arXiv:2608.23552) 의 귀속 없는 95.5% 가 있다. 수치가 보류되었으므로 여기에서는 아무것과도 비교하지 않는다.
이번 주 나머지 군집이 주장만 하는 메커니즘을 이 논문이 공급한다. JIT-Agent, AutoSaddler, Recuris, Prime Agent 는 모두 얼어붙은 모델 주위의 무언가를 진화시킨다. Meta^n 의 절제 실험은 이득이 사는 곳이 층 사이에 넘겨지는 조건화라고 말한다 — 깊이도, 아카이브도, 편집 연산도 아니다. 이 군집에서 스캐폴딩이 효과가 있다는 사실이 아니라 왜 효과가 있는지를 말한 첫 주장이다.
안정성 논증이 경험적이지 않고 구조적이라는 점이 이 분야에서는 이례적이다. "Ω 는 결코 바뀌지 않으므로 시스템을 불안정하게 만들 수 없다"는 구성으로부터의 논증이다. 그리고 그것은 Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses (arXiv:2608.24876) 가 반대 방향에서 독립적으로 도달한 제약이기도 하다 — 고정된 Meta-Agent 와 경계가 있는 재귀. 같은 스냅숏의 두 논문이, 서로를 인용하지 않은 채, 같은 결론에 이른다: 재귀에는 그 자신이 개정 대상이 아닌 고정점이 있어야 한다.
열린 질문
- ARC-AGI-2 점수는 얼마인가? 초록에서 가장 많이 인용될 주장에 수치가 붙어 있지 않다.
- 두 backbone 은 무엇인가? 모든 수치가 모델을 밝히지 않는다.
- 여덟 벤치마크 계열은 무엇인가? 초록에는 하나도 명시되어 있지 않다.
- 수렴으로 정해지는 깊이는 실제로 얼마까지 가는가? 이 논문의 기여는 둘이라는 깊이 한계를 깨는 것인데, 실제 도달한 깊이는 명시되지 않았다.
- 진화적 아카이브의 비용은 얼마인가? 층 사슬 탐색은 테스트 시점 연산이며, 읽은 어떤 자료에도 예산이 없다.
인용
Meta^n: Recursive Self-Improvement through Emergent Depth (2026). arXiv:2608.24735.
관련
- Eval Harness Configuration
- Agents (LLM Agents)
- Test-Time Compute (Inference-Time Compute Scaling)
- Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses (arXiv:2608.24876)
- Hierarchical Self-Improvement: A Framework for Task-Specific Evolvable Agent Harnesses (arXiv:2608.08466)