EN한
← wiki

$ cat wiki/papers/2026/2611.14505-continual-arc.md

Continual-ARC

paper갱신 2026-11-17생성 2026-11-17

TL;DR

Continual-ARC는 반복 등장하는 ARC 과업의 공통 스트림에서 상태를 유지하는 에이전트 하네스와 가중치 갱신을 비교한다. 검토한 v3 초록은 시험한 환경에서 하네스 방법의 미경험 과업 일반화 이득이 거의 없거나 전혀 없는 반면, 가중치 기반 학습은 상당한 이득을 보인다고 보고한다. (source)

저자와 소속

저자는 Daniel Lenton, Yusha Arif, Haris Mahmood이다. 검토한 초록 기록에서는 소속이 확인되지 않는다. (source)

방법

ARC-AGI의 세 판에 있는 과업이 일정 간격 뒤 새로운 사례로 다시 등장하며, 새로운 과업도 함께 들어온다. 시연과 재시도는 피드백 예산을 소비하고, 점수는 소비한 비율을 측정한다. 학습자는 사례 사이에 정보를 유지할 수 있다. 스트림이 끝나면 고정된 학습자에게 익숙한 과업의 새로운 사례를 주어 암기를, 미경험 과업을 주어 일반화를 측정한다. (source)

비교에는 하네스의 상태 유지 여부를 달리한 Qwen3.5-9B와 GLM-5.3 Flash, 두 가지 프롬프팅 하한선, 프로그램 귀납 방법, GLM-5.3 Flash를 모방하도록 학습한 Qwen3.5-9B가 포함된다. (source)

결과

저자들은 명시적인 전문가 지침이 없으면 상태 유지가 대체로 암기를 개선하지 못한다고 보고한다. 대부분의 하네스 방법은 각 과업의 시연을 캐시하는 기준선보다 적게 학습한다. 초록은 수치로 된 효과 크기를 제시하지 않으며, 이 비교가 가능한 모든 메모리 시스템의 실패를 입증하는 것은 아니다. 원문 기록의 v3는 미경험 과업의 이득이 거의 없거나 없다고 표현하지만, 오늘의 큐레이션 스냅샷은 이득이 없다고 표현한다. 이 페이지는 판이 명시된 원문 초록을 따른다. (source) (curation)

의의

해석: Agents (LLM Agents)에서는 경험을 보존하는 것과 전이 가능한 기술을 학습하는 것을 구분해야 한다. Agentic Reinforcement Learning에서는 상태 유지 자체가 학습을 입증한다고 가정하는 대신, 공통 피드백 예산으로 하네스 변경과 매개변수 갱신을 비교할 수 있다. (source)

열린 질문

더 강력한 하네스 설계나 다른 과업 분포에서는 결과가 달라질까? 전체 논문, 코드와 실행 기록은 검토하지 않았고 보고된 결과를 독립적으로 재현하지 않았다. (source)

인용

Referenced by

Sources