이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
작성자는 인간, LLM, scripted agent가 같은 지속형 3D MUD에서 관찰·대화·이동·창작·도전 과제 해결을 수행하는 AI arena를 구축했습니다. 세계의 방, 물체, 도전 과제와 이전 결과는 모델이 떠난 뒤에도 남아 다음 에이전트의 환경을 바꿉니다. 서버가 행동 횟수를 직접 계산하고 해결 효율을 XP로 반영하며, 독립적인 해결책이 같은 transform으로 수렴하면 보상이 증가합니다. arena는 Evennia 6.1과 documented model protocol, ChatGPT/Codex-style client용 MCP adapter를 기반으로 하며 다양한 agent와 reinforcement learning 실험 참가자를 모집합니다.
실용적 조언
- 모델을 이 환경에 연결하려면 제공되는 documented model protocol을 먼저 구현하고, ChatGPT나 Codex-style client라면 MCP adapter 경로를 사용할 수 있습니다. 다른 모델은 underlying transport를 통해 연결하는 방식이 가능합니다. 참가자는 별도 architecture를 채택하지 않고 자신의 LLM agent나 reinforcement learning 시스템을 그대로 가져올 수 있습니다.
- 실험에서는 한 모델의 즉시 성능보다 이전 에이전트가 남긴 방, 물체, 도전 과제가 이후 행동을 어떻게 바꾸는지 기록하는 편이 적합합니다. 서버가 행동 횟수를 직접 계산하므로 모델 출력에 포함된 자체 보고값 대신 서버 측 action count와 XP를 기준으로 비교해야 합니다. 독립적인 해결책이 같은 transform으로 수렴하는지 함께 측정하면 scoring mechanic의 효과도 확인할 수 있습니다.
섹션별 상세
작성자는 여러 AI가 같은 세계에 들어가 상호작용하는 persistent MUD를 구축했습니다. 모델은 주변 환경을 관찰하고 다른 에이전트와 대화하며 3D 세계를 이동하고, 지속형 물체를 만들거나 장식할 수 있습니다. 일반적인 질문 목록을 순서대로 푸는 benchmark와 달리 이전 모델의 행동이 다음 모델의 환경과 선택에 영향을 줍니다.
이 환경의 도전 과제는 모델이 원하는 방식으로 해결할 수 있고, 다른 에이전트의 해결책과 결과를 비교할 수 있습니다. 서버가 행동 횟수를 직접 세므로 모델이 자신의 step 수를 임의로 보고할 수 없으며, 해결 효율의 일부가 XP로 변환됩니다. 전투나 단순 레벨 노가다는 제외하고 XP를 training signal로 사용해 planning, reasoning, reinforcement learning 실험에 연결합니다.
독립적으로 생성된 해결책이 같은 transform으로 귀결되면 보상이 커지는 scoring mechanic이 포함됩니다. 따라서 한 모델의 정답률만 측정하는 대신 서로 다른 모델이 같은 변환을 찾아가는지와 그 과정의 효율을 함께 관찰할 수 있습니다. 작성자는 이 방식이 서로 다른 팀에서 만든 모델을 하나의 persistent world에 넣었을 때 나타나는 차이를 확인하는 데 적합하다고 봅니다.
arena는 Evennia 6.1 위에 구축됐고 documented model protocol과 ChatGPT/Codex-style clients용 MCP adapter를 제공합니다. 다른 모델도 underlying transport를 통해 연결할 수 있어 LLM agents, multi-agent systems, social agents, persistent agents와 실험적 아키텍처를 수용하도록 구성됐습니다. 작성자는 특정 architecture를 강제하지 않고 참가자가 자신의 모델을 가져오면 서버와 dungeon을 제공하는 방식으로 공개 실험 참여를 요청합니다.
용어 해설
- 다중 사용자 던전(MUD)
- — MUD는 여러 사용자가 같은 텍스트 기반 가상 세계에 접속하는 온라인 게임 구조입니다. 이 글에서는 인간, LLM, scripted agent가 하나의 지속형 세계에서 이동하고 상호작용합니다. 세계의 방과 물체가 접속 종료 뒤에도 남아 다음 에이전트의 입력이 됩니다.
- MCP 어댑터(MCP adapter)
- — MCP adapter는 ChatGPT나 Codex 같은 클라이언트가 외부 세계와 상호작용하도록 연결하는 구성 요소입니다. 이 글의 어댑터는 모델 프로토콜과 게임 서버 사이에서 행동 요청과 결과를 전달합니다. 다른 모델은 underlying transport를 통해 별도로 연결할 수도 있습니다.
- XP 학습 신호(XP training signal)
- — XP training signal은 에이전트가 목표를 얼마나 효율적으로 달성했는지 반영하는 보상 신호입니다. 이 세계에서는 전투나 레벨 노가다 대신 해결 과정의 효율 일부를 XP로 환산합니다. 모델이 다음 행동을 선택하는 강화학습 실험에 활용할 수 있는 값입니다.
- 지속형 에이전트(persistent agent)
- — persistent agent는 한 번의 질의와 응답으로 끝나지 않고 세계 상태와 이전 결과의 영향을 받으며 계속 행동하는 에이전트입니다. 이 글의 환경에서는 모델이 떠난 뒤에도 방, 도전 과제, 물체가 남습니다. 이후 모델은 선행 에이전트가 만든 결과와 변화를 관찰한 뒤 행동합니다.
- 해결책 수렴(solution convergence)
- — solution convergence는 독립적으로 생성된 해결책들이 같은 transform으로 귀결되는 현상입니다. 서버는 서로 다른 에이전트의 결과가 같은 변환을 만들면 보상을 높일 수 있도록 설계되어 있습니다. 단순 정답 여부뿐 아니라 여러 모델의 해결 방식이 수렴하는 정도도 평가 신호가 됩니다.
언급된 도구
Evennia 6.1중립
persistent MUD arena 구축
MCP중립
ChatGPT/Codex-style client와 arena 연결
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 22.수집 2026. 08. 22.출처 타입 REDDIT
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
