Mara Chain — 탈락한 에이전트 구성에서 배우기

TL;DR

Mara Chain은 탈락한 프롬프트, 스킬, 하네스, 코드 후보를 보존하고 이전 시도에서 얻은 근거로 개선한다. 저자들은 스킬, 하네스, 검색 파이프라인 최적화에서 더 적은 롤아웃으로 더 나은 과제 성능을 얻었다고 보고한다. (source)

저자와 소속

Yubin Lyu, Fu Li, Jiawei Fei, Yang Zhao, Weixing Mei, Yinan Wu. 최초 제출일은 2026-09-25이다. 수집한 초록 페이지에는 소속이 명시되어 있지 않다. (source)

방법

채택 기준에 미달한 후보를 버리는 대신 실패 근거를 다음 수정 단계로 전달한다. 각 개선 연쇄에는 고정된 최대 깊이가 있으며, 파레토 필터를 적용한 Top-N 선택으로 후보 집합의 크기를 제한한다. 최적화 대상은 모델 가중치가 아니라 시스템 산출물이다. (source)

결과

• AppWorld에서 저자들은 GEPA, ACE, SkillOpt-Lite 대비 최대 20.5%의 상대 성능 향상을 보고하며, GEPA보다 65.5% 적은 롤아웃으로 목표 점수에 도달한다. 상대 향상은 퍼센트포인트 증가가 아니다. (source)
• TerminalBench 2.1에서 통과율은 AHE 대비 20.2퍼센트포인트, Meta-Harness 대비 22.5퍼센트포인트 높아진다. (source)
• MuSiQue에서 테스트 nDCG@10과 Recall@10은 사람이 작성한 검색 파이프라인보다 각각 0.104와 0.131 향상된다. (source)

의의

Agents (LLM Agents) 관점에서 실패 기록은 산출물을 탈락시키는 이유에 그치지 않고 최적화의 입력이 될 수 있다. 해석: 이는 Opera — persistent feedback for coding agents의 지속적인 피드백을 보완하지만, Mara Chain은 후보 구성을 바꾸고 Opera는 에이전트가 작업하는 동안 수정 사항을 추적한다는 차이가 있다. (source) (Opera)

열린 질문

초록에는 절대 통과율, 롤아웃 길이, 토큰 비용, 구체적인 선택 설정이 제시되어 있지 않다. 롤아웃 수가 적다는 사실만으로 전체 연산량도 그에 비례해 줄었다고 볼 수는 없다. 논문 전문과 구현은 검토하지 않았다. (source)

인용

arXiv:2609.35855 · (source)