1. A Survey of Reinforcement Learning for Large Reasoning Models

Introduction

• Goal: 본 논문은 대규모 추론 모델(Large Reasoning Models, LRMs)에 대한 강화학습(Reinforcement Learning, RL) 연구 동향을 체계적으로 조사하는 데 목적이 있다.
• Motivation: RL이 수학, 코딩 등 복잡한 논리적 문제 해결 능력 향상에 크게 기여하면서 LRMs로 진화시키는 핵심 방법론으로 부상함에 따라, RL의 확장 및 적용에 대한 근본적 도전과제 탐구가 필요하다.
• Contribution: 본 논문은 RL의 기본 구성요소, 핵심 문제, 학습 자원, 다양한 응용 분야를 종합적으로 검토하고 향후 인공지능 초지능(ASI)으로의 확장 전략을 제시한다.

Method

본 연구는 RL의 기본 개념과 LRMs에서의 적용 방식을 소개하며, RL 기반 최첨단 모델들의 발전 과정을 연대기적으로 정리하였다.
보상 설계, 정책 최적화, 샘플링 전략 등 RL의 기초 구성요소별 최신 연구 동향을 비교 분석하였다.
아울러 RL과 감독학습 대비 장단점, 모델 사전지식, 훈련법 등 기초 문제와 함께 학습 자원 및 인프라, 실제 응용 사례를 광범위하게 탐구하였다.

Results

RL 기반 모델들은 수학, 코딩, 멀티모달 등 다양한 분야에서 검증 가능한 보상 신호와 대규모 상호작용을 통해 장기적 추론 성능을 크게 향상시켰으며, DeepSeek-R1, OpenAI o1 등 대표 모델들이 첨단 벤치마크에서 우수한 성과를 보였다.

Limitations

RL을 LRMs에 확장하는 과정에서 컴퓨팅 자원, 알고리즘 설계, 훈련 데이터, 인프라 측면 등 다수의 근본적 제약이 여전히 존재한다.

Conclusion

RL은 LRMs의 추론능력을 명시적으로 학습시키고 확장하는 데 핵심 역할을 하며, 지속적인 연구와 개발을 통해 ASI 실현에 중요한 기여를 할 전망이다.

2. RewardDance: Reward Scaling in Visual Generation

Introduction

• Goal: 본 연구는 시각적 생성 과제에서 보상 모델(Reward Model, RM)의 효과적 확장을 위한 RewardDance 프레임워크를 제안하는 것이다.
• Motivation: 기존 CLIP 기반 및 회귀(regressive) 방식 보상 모델은 구조적 한계와 VLM과의 불일치로 인해 시각적 생성에서 효과적인 확장이 어려웠으며, 보상 해킹 문제도 심각하였다.
• Contribution: RewardDance는 보상 점수를 VLM의 다음 토큰 예측 확률로 재구성하는 새로운 생성적 패러다임을 도입하여, 최대 260억 파라미터급 대규모 모델과 문맥 확장을 동시에 가능하게 하여 보상 해킹 문제를 완화하고 생성 품질을 크게 향상시켰다.

Method

RewardDance는 보상을 “yes” 토큰 예측 확률로 모델링하여 VLM의 자기회귀 토큰 예측과 보상 목표를 일치시킨다.
모델 규모(1B~26B 파라미터)와 문맥(과제 지침, 참조 예시, CoT 추론)을 체계적으로 확장하여 보상 모델을 학습한다.
강화학습 및 추론 시간 스케일링에 RewardDance를 적용하여 다중 생성 경로 탐색과 보상 피드백 정렬을 수행한다.

Results

RewardDance 기반 대규모 보상 모델은 텍스트-이미지, 텍스트-비디오, 이미지-비디오 생성에서 기존 최첨단 기법 대비 유의미한 성능 향상과 안정적인 탐색 다양성 유지(보상 해킹 저항성)를 입증하였다.

Limitations

정보 부족.

Conclusion

RewardDance는 시각적 생성에서 보상 모델의 구조적 불일치 문제를 해결하고, 모델 및 문맥 규모 확장을 통해 보상 정확도 및 생성 품질 개선을 일관되게 달성하는 혁신적 보상 확장 프레임워크임이 확인되었다.

3. 3D and 4D World Modeling: A Survey

Introduction

• Goal: 본 논문은 3D 및 4D 월드 모델링과 생성을 위한 최초의 포괄적인 리뷰를 제공하는 것을 목표로 한다.
• Motivation: 기존 연구들은 주로 2D 이미지 및 비디오 생성에 집중했으나, 본질적 3D와 4D 표현방식의 급속한 발전과 이를 활용한 대규모 장면 모델링 연구가 분산되고 통일된 정의가 부재한 문제를 해결하고자 한다.
• Contribution: 구체적인 정의 수립, 영상(VideoGen), 점유격자(OccGen), LiDAR(LiDARGen) 기반 방법론의 구조적 분류, 데이터셋과 평가 지표 체계화 및 실제 적용 사례와 미래 연구 방향을 제시하였다.

Method

3D/4D 세계 모델링은 비디오, 점유격자, LiDAR 포인트 클라우드 같은 본질적 표현을 이용한다. 각 표현방식을 기반으로 데이터 엔진, 행동 해석기, 신경 시뮬레이터, 장면 재구성기로 기능별 분류하였다. 생성과 예측 두 패러다임으로 나누어 다중 조건 신호(기하학적, 행동, 의미)를 활용하는 통합적 틀을 구성하였다.

Results

VideoGen, OccGen, LiDARGen 분야별 대표 모델과 대규모 데이터셋 및 평가 프로토콜들을 체계적으로 수집·분석하여 벤치마킹의 기준점을 마련하였다.

Limitations

본 조사는 기존 문헌과 공개된 데이터에 기반하여 작성되어, 새로 등장하는 미공개 또는 산업용 폐쇄형 모델에 관한 정보는 제한적이다.

Conclusion

본 연구는 3D 및 4D 월드 모델링 분야의 개념적 명확성, 방법론 체계화, 실용적 응용 및 향후 연구 과제를 제시함으로써 해당 분야 연구 발전에 기초적인 참조틀을 제공하였다.

4. AgentGym-RL: Training LLM Agents for Long-Horizon Decision Making through Multi-Turn Reinforcement Learning

Introduction

• Goal: 본 연구는 대규모 언어 모델(LLM) 에이전트를 다중 턴 강화학습을 통해 장기적 의사결정 능력을 학습시키기 위한 통합 프레임워크를 개발하는 데에 목적이 있다.
• Motivation: 기존 연구들은 다중 턴 인터랙션이 필요한 복잡한 환경에서 강화학습을 통한 LLM 에이전트 훈련에 안정성과 효율성을 보장하는 통합적이고 범용적인 방법론이 부족하였다.
• Contribution: AgentGym-RL 프레임워크와 점진적 상호작용 확장 기법인 ScalingInter-RL을 제안하였으며, 이를 통해 소규모 공개 모델들이 상용 대형 모델에 필적하는 성능을 달성함을 보였다.

Method

AgentGym-RL은 에이전트, 환경, 학습 모듈이 분리된 모듈화 구조를 갖추어 다양한 현실 시나리오와 강화학습 알고리즘을 지원한다.
ScalingInter-RL은 초기에는 짧은 상호작용을 통해 정책을 효율적으로 활용하고 이후 점진적으로 상호작용 횟수를 늘려 탐색을 강화하며 안정적인 최적화를 도모하는 단계적 훈련 방법이다.
이 방법은 장기적 상호작용에서 발생하는 불안정성을 완화하며 에이전트의 문제 해결 능력과 다양성을 증진시킨다.

Results

AgentGym-RL과 ScalingInter-RL을 적용한 7B 규모 공개 모델이 웹 내비게이션, 딥서치, 디지털 게임, 체험형 과제, 과학적 과제 등 27개 과제에서 상용 폐쇄형 모델을 능가하거나 동등한 성능을 기록하였다.

Limitations

개방형 환경에서는 명확한 피드백과 성공 경로 부재로 인해 강화학습 효율이 다소 제한적이며, 일부 환경에서는 성능 향도가 비교적 완만하였다.

Conclusion

본 연구는 대규모 언어 모델 에이전트의 다중 턴 강화학습을 위한 일관되고 확장 가능한 플랫폼과 효율적 학습 전략을 제공함으로써 지능형 에이전트 연구에 중요한 기반을 마련하였다.

5. CDE: Curiosity-Driven Exploration for Efficient Reinforcement Learning in Large Language Models

Introduction

• Goal: 본 논문은 대형 언어 모델(LLM)의 강화학습에서 효율적인 탐색을 위한 호기심 기반 탐색(Curiosity-Driven Exploration, CDE) 기법을 제안하는 데 목적이 있다.
• Motivation: 기존 강화학습 방법들은 조기 수렴과 엔트로피 붕괴 현상으로 인해 충분한 탐색이 어려워 학습 안정성과 성능 향상에 제약이 있었다.
• Contribution: 본 연구는 행위자(actor)와 평론가(critic)에서 내재적 호기심 신호를 활용하여 탐색 보너스를 설계하고, 이를 통한 이론적 정당성과 실험적 성능 개선을 함께 제시하였다.

Method

CDE는 행위자의 생성 문장에 대한 당혹도(perplexity)를, 평론가에서는 다중 헤드 구조를 활용한 가치 추정 분산을 호기심 신호로 정의하여, 이 둘을 강화학습 내 탐색 보너스로 통합한다. 행위자 보너스는 과도한 자신감 오차를 억제하면서 다양한 올바른 반응을 장려하며, 평론가 보너스는 기존 카운트 기반 탐색 보너스와 이론적으로 동등함을 보였다. 이를 GRPO와 PPO 알고리즘에 적용하여 탐색 능력과 정책의 안정성을 향상시켰다.

Results

AIME, AMC, MATH 등의 수학 추론 벤치마크에서 제안된 방법은 표준 RLVR 기법 대비 최대 약 3점의 성능 향상과 더불어 엔트로피 붕괴 현상을 완화하는 효과를 입증하였다.

Limitations

본 연구는 계산 자원 제약으로 인해 상대적으로 작은 모델과 제한된 실험 환경에서 평가되었으며, 보다 대규모 모델과 다양한 도메인에서의 일반화는 추가 연구가 필요하다.

Conclusion

CDE는 행위자와 평론가의 호기심 신호를 활용하여 LLM 기반 강화학습에서 효과적인 탐색을 유도함으로써 성능과 학습 안정성을 동시에 개선하는 실질적이고 이론적으로 뒷받침된 접근법임을 확인하였다.

6. P3-SAM: Native 3D Part Segmentation

Introduction

• 본 연구의 목표는 점 프롬프트를 기반으로 임의의 3D 객체를 자동으로 부품 단위로 분할하는 네이티브 3D 부품 분할 모델 P3-SAM을 제안하는 것이다.
• 기존 3D 분할 기법들은 복잡한 객체에 대한 강인성이 부족하고 완전 자동화가 어려운 한계가 존재한다.
• 본 연구는 약 370만 개의 3D 모델로 구성된 대규모 데이터셋으로 모델을 학습하고, 점 단일 프롬프트만으로도 자동 분할이 가능한 새로운 아키텍처 및 마스크 병합 알고리즘을 제안하였다.

Method

P3-SAM 모델은 PointTransformerV3 기반의 특징 추출기, 다중 분할 헤드, IoU 예측기를 포함하며 단일 점 프롬프트 입력을 받아 다중 규모의 마스크를 예측한다.
자동 분할은 FPS 방식으로 점 프롬프트를 샘플링하고 NMS를 활용해 중복 마스크를 병합하여 최종 부품 분할 결과를 산출한다.
훈련 데이터는 비밀도 및 연결성 기준을 통해 필터링한 비-워터타이트 및 워터타이트 메쉬 약 230만 개에 대한 고품질 라벨을 포함한다.

Results

P3-SAM은 PartObj-Tiny, PartObj-Tiny-WT, PartNetE 데이터셋에서 기존 2D 기반 및 3D 포인트 클라우드 분할 기법들을 능가하는 정밀도, 일반화, 견고성을 입증하였다.

Limitations

본 모델은 표면 포인트 클라우드만을 학습 데이터로 사용함에 따라 부품의 공간적 부피 정보 이해가 부족하다.

Conclusion

본 연구는 대규모 네이티브 3D 데이터 기반의 점 프롬프트 자동 분할 모델을 제안하여 다양한 3D 객체에 대해 고정밀, 강인하며 확장성 있는 부품 분할을 실현하였다.

7. Hunyuan-MT Technical Report

Introduction

• Goal: Hunyuan-MT-7B 및 Hunyuan-MT-Chimera-7B라는 다국어 기계번역 모델을 개발하여 33개 주요 언어 간 양방향 번역을 지원하는 것이다.
• Motivation: 다국어 번역 분야에서 특히 중국어와 소수민족어 및 방언 사이의 고품질 번역이 부족하며, 다양한 번역 시나리오에서의 성능 향상 요구가 존재한다는 점이다.
• Contribution: 본 연구는 Hunyuan-MT-7B라는 7B 파라미터 기반의 공개 다국어 번역 모델과 느린 사고 방식을 모방한 Hunyuan-MT-Chimera-7B 모델을 제안하고, 효율적인 다단계 학습 절차를 통해 기존 모델 대비 우수한 성능을 입증하였다.

Method

본 연구는 1. 일반 및 MT 지향 사전학습, 2. 감독 미세조정(SFT), 3. 강화학습(RL) 및 약한 출력을 강한 출력으로 변환하는 Weak-to-Strong RL 단계를 포함하는 단계별 학습 체계를 사용하였다.
Hunyuan-MT-Chimera-7B는 다수의 후보 번역문을 생성 후 이를 통합하는 전문가 모델을 통해 고품질 번역을 생성하는 약한-강한 융합 구조를 적용하였다.
데이터 품질 관리를 위해 다차원 평가모델과 삼중 분류 체계를 통해 대용량 다국어 말뭉치를 체계적으로 조율하였다.

Results

WMT2025 경진대회에서 31개 언어쌍 중 30개에서 1위를 기록하는 등 Hunyuan-MT 시리즈가 동급 파라미터 및 다수의 최신 모델 대비 특히 중국어-소수민족어 번역에서 우수한 성능을 보였다.

Limitations

연구는 비공개된 일부 고성능 대형 모델과의 비교 및 완벽한 비슷한 테스트세트 확보에의 한계로 인해 일부 번역 현상에서의 개선 여지가 존재한다.

Conclusion

본 연구는 다국어 기계번역 분야에서 소수민족어 번역을 포함한 다양한 언어 간에 높은 정확도와 문화적 적합성을 갖춘 공개형 LLM 기반 모델 개발에 성공하였음을 증명하였다.

8. The Majority is not always right: RL training for solution aggregation

Introduction

• 본 연구의 목표는 다수결이 항상 최적의 해답을 제공하지 않는 문제를 극복하고, 여러 후보 해답을 효과적으로 집계하는 강화학습 기반의 집계 모델(AggLM)을 개발하는 것이다.
• 기존 연구들은 대다수답 투표나 보상 모델 순위 집계 방식을 주로 사용하였으나, 이는 소수지만 정확한 해답을 간과하거나 부분적으로 올바른 해답의 합성이 어려운 문제점을 내포하고 있다.
• 본 연구는 후보 해답들을 검토하고 조화시키며 종합하는 집계 과정을 명시적 추론 기술로 학습하여, RL을 통한 검증 가능 보상으로 최종 정확한 답안을 합성하는 새로운 방법론을 제안하였다.

Method

AggLM은 여러 LLM이 생성한 후보 해답들을 재검토, 수정, 조합하여 최종 답안을 생성하는 LLM 기반 집계 모델로, 검증 가능한 보상을 활용한 강화학습(RLVR)으로 학습된다.
학습 시 쉬운 문제와 어려운 문제를 균형 있게 포함하여 소수지만 정확한 정답을 회복하는 능력과 다수의 올바른 답안을 모두 학습토록 하였다.
AggLM은 고정된 추론 모델에서 독립적으로 생성된 후보 해답들을 입력받아 강화학습 정책 최적화(GRPO)를 통해 집계한다.

Results

AggLM-1.7B 모델은 1.7B 규모 Qwen3 모델이 생성한 후보 해답 집계에서 기존 다수결 및 보상 모델 기반 집계 대비 AIME, HMMT 4개 수학 대회 데이터셋 전반에 걸쳐 최대 약 5~7%의 정확도 향상을 보이며, 더 큰 8B 모델이나 비추론 모드 후보 집계에도 우수한 일반화 성능을 입증하였다.

Limitations

본 방법은 집계 학습에 검증 가능한 정답 데이터가 필요하며, 제안된 쉬운 문제와 어려운 문제 비율 조절 등 학습 데이터 구성에 민감한 성격을 보인다.

Conclusion

본 연구는 강화학습을 이용해 다수결 한계를 극복하는 추론 중심 집계 모델을 학습하여, 더욱 효과적이고 효율적으로 여러 후보 해답을 종합하는 새로운 테스트 시 유추 확장 방식을 제시하였다.

9. So let's replace this phrase with insult... Lessons learned from generation of toxic texts with LLMs

Introduction

• Goal: 본 연구는 대형언어모델(LLM)을 활용하여 합성 독성 텍스트를 생성하고 이를 활용한 텍스트 해독화 모델 학습 가능성을 평가하는 것이다.
• Motivation: 텍스트 해독화는 의미를 유지하면서 독성 텍스트를 중립형으로 변환하는 과제로, 다양한 독성 표현을 반영하는 학습 데이터가 필요하나 기존 연구에서는 LLM의 민감 영역 성능이 충분히 탐구되지 않았다.
• Contribution: Llama 3와 Qwen 모델을 사용해 합성 독성 데이터를 생성하고, 이 데이터로 학습한 해독화 모델의 성능이 인간 데이터 기반 모델 대비 최대 30%까지 떨어진다는 점을 실험적으로 입증하였다.

Method

ParaDetox 및 SST-2 데이터의 중립 텍스트를 출발점으로 다양한 규모와 구조의 LLM(예: Llama 3, Qwen3, Cogito)로 독성 문장 생성에 도전하였다.
생성된 합성 데이터로 BART-large 해독화 모델을 미세조정한 뒤 인간 주석 데이터에서 평가하여 성능 차이를 비교하였다.
평가 지표로 스타일 전환 정확도(STA), 유사도(SIM), 문장 유창성(FL)과 이들의 조합인 통합 지표(J)를 사용하였으며, GPT-4.1을 활용한 인간 평가도 병행하였다.

Results

합성 독성 데이터로 학습한 모델은 인간 주석 데이터 기반 모델에 비해 모든 지표에서 현저히 낮은 성능을 보였으며, 특히 LLM이 생성한 독성 표현의 어휘 다양성 부족이 주된 원인으로 확인되었다.

Limitations

현재 LLM은 반복적이고 편협한 욕설 위주의 독성 언어를 생성하여 해독화 시스템의 범용성과 현실 적용 가능성을 심각하게 제한한다는 한계가 존재한다.

Conclusion

LLM 기반 합성 독성 데이터는 인간 주석 데이터의 다양하고 미묘한 독성 표현을 대체하기 어려워 해독화 모델 학습에 현 시점에서는 적합하지 않으며, 데이터 다양성 확보가 필수적임을 강조한다.

10. Statistical Methods in Generative AI

Introduction

• Goal: 본 논문은 생성형 인공지능(Generative AI) 분야에서 통계적 방법이 신뢰성 향상 및 평가에 어떻게 기여할 수 있는지를 검토한다.
• Motivation: 생성형 AI 기술은 다양한 영역에서 혁신적 변화를 약속하나, 확률 모델 기반 샘플링 방식으로 인해 정확성, 안전성, 공정성 보장이 부족하여 보편적 신뢰성을 확보하는 데 어려움이 존재한다.
• Contribution: 생성형 AI의 행동 개선, 불확실성 정량화, 평가, 실험 설계 등 네 가지 주제에서 기존 연구 사례를 분석하고 통계적 기법의 적용 가능성과 한계, 향후 연구 방향을 제시한다.

Method

통계적 방법은 생성형 AI 출력의 품질 제어, 모형 불확실성 진단 및 보정, 적절한 성능 평가와 샘플링 절차 설계에 사용된다.
예를 들어, 손실 함수와 교환가능성 가정을 기반으로 한 조합 예측 기법(conformal prediction)을 통해 생성 AI가 일정 수준 이상 오류 발생 시 출력을 거부하는 임계값 제어가 가능하다.
이와 함께, 비모수 통계, 분포 불변성 기반 예측 구간, 재보정 기법 등이 다양하게 활용된다.

Results

통계적 방법을 적용한 사례들은 생성형 AI의 출력 정확성 향상, 불확실성 의미 규명, 효율적인 평가 지표 산출 및 사용자 영향 최소화에 실질적 기여를 하였음을 보였다.

Limitations

현재 검토된 통계적 접근법은 주로 연구 단계로서, 상용 생성형 AI 제품에 광범위하게 적용되지는 못하고 있으며, 모델 내부 정보가 폐쇄된 블랙박스 접근 한계가 존재한다.

Conclusion

통계적 방법은 생성형 AI의 신뢰성 및 평가 체계 강화에 유망한 도구이나, 향후 실제 AI 시스템에 맞춤형 통계기법 개발과 현장 적용 확대가 필요하다.

11. EnvX: Agentize Everything with Agentic AI

Introduction

• Goal: 본 연구는 오픈소스 소프트웨어 저장소를 지능형 자율 에이전트로 전환하는 EnvX 프레임워크를 제안하는 것이다.
• Motivation: 기존 저장소 활용 방식은 수동적이고 오류가 발생하기 쉬우며, 자연어 기반 상호작용과 다중 에이전트 협업이 불가능해 효율적 사용에 장애가 존재한다.
• Contribution: EnvX는 자연어 명령과 저장소 간 협업이 가능한 에이전트화 과정을 제시하며, 이를 위해 환경 초기화, 에이전트 자동화, 에이전트 간 통신의 3단계 프로세스를 설계하였다.

Method

EnvX는 TODO 리스트 기반 환경 초기화로 저장소 의존성, 데이터, 검증 데이터셋을 체계적으로 구축한다.
이후 저장소별 에이전트를 메타 에이전트 프레임워크와 통합하여 실제 사용자가 요구하는 작업을 자율적으로 수행하도록 한다.
마지막으로 Agent-to-Agent(A2A) 프로토콜을 통해 다수의 저장소 에이전트 간 협업과 통신을 가능하게 한다.

Results

GitTaskBench 벤치마크에서 EnvX는 18개 다양한 도메인 저장소에 대해 최고 74.07% 실행 완성률과 51.85% 작업 성공률을 달성하며 기존 프레임워크보다 우수한 성능을 보였다.

Limitations

현실적 장기 협업, 분포 변화에 대한 견고성, 보안 실패 모드 검증 등의 평가가 부족하며 A2A 검증 신호가 아직 미흡하여 고품질 에이전트 합성에 한계가 존재한다.

Conclusion

EnvX는 오픈소스 저장소를 지능형 상호작용 에이전트로 전환하고 다중 에이전트 협업을 촉진하여 소프트웨어 생태계 내 접근성과 협력성을 혁신적으로 향상시키는 새로운 패러다임을 제시한다.

12. HumanAgencyBench: Scalable Evaluation of Human Agency Support in AI Assistants

Introduction

• Goal: 본 논문의 목표는 대규모 언어 모델(LLM) 기반 AI 비서가 인간의 주체성(human agency)을 얼마나 지원하는지를 확장 가능하고 적응적인 벤치마크인 HUMANAGENCYBENCH(HAB)를 통해 평가하는 것이다.
• Motivation: AI가 점점 더 많은 인간의 업무와 결정을 위임받으면서 인간이 스스로 미래를 의도적으로 형성할 수 있는 능력이 저하되는 위험이 존재한다는 점에서 동기가 부여되었다.
• Contribution: 인간 주체성의 여섯 차원을 정의하고, 20개 최첨단 LLM의 의사소통 행동을 평가하여 인간 주체성 지원 정도가 전반적으로 낮거나 보통이며 개발자별 편차가 크다는 결과를 제시하였다.

Method

• 휴먼 에이전시 개념을 철학적, 과학적 이론을 바탕으로 6개 차원(명확한 질문 요청, 가치 조작 회피, 오정보 교정, 중요 결정 유보, 학습 장려, 사회적 경계 유지)으로 구체화하였다.
• LLM을 활용해 3,000개 후보 테스트 시나리오를 생성·검증한 후 클러스터링하여 차원별 500개 시뮬레이션 테스트셋을 구축하였다.
• 평가 모델이 각 LLM 비서의 응답을 차원별 평가 규칙에 따라 채점하고 평균 점수를 산출하는 AI 기반 자동평가 파이프라인을 설계하였다.

Results

• 평가 결과, 전반적으로 LLM들은 인간 주체성 지원 행동을 제한적으로 보였고, Anthropic의 Claude 모델이 가장 우수했으나 차원별 지원 정도 및 개발자별 편차가 현저하였다.

Limitations

• 본 연구는 인간 주체성의 개념적 모호성과 장기적·미묘한 영향들을 반영하기 어려운 점 등으로 초기 개념 증명(proof-of-concept) 수준에 머물렀다.

Conclusion

• HAB는 인간 주체성 지원을 실질적으로 평가하는 체계적 도구로서, AI가 인간의 적절한 통제와 자율성을 유지하도록 방향을 제시하며 향후 AI 안전성과 정렬 연구에 기여할 것으로 기대된다.