Qwen3.5-9B 기반 에이전트 특화 모델 Harmonic-9B 및 필터링된 데이터셋 공개

작성자가 공유한 데이터셋 필터링 결과와 모델의 자가 수정 능력 향상 수치에 대해 긍정적인 반응이 예상되며, 실제 에이전트 프레임워크에서의 성능 검증에 관심이 모이고 있다.

• 에이전트 성능을 높이려면 단순히 데이터를 늘리기보다 자가 수정과 검증 단계가 포함된 고품질 트레이스 데이터를 선별하여 학습시켜야 한다.
• 추론 능력과 도구 사용 능력을 단계별로 나누어 학습시키는 것이 모델의 범용성을 유지하는 데 유리하다.

• Harmonic-9B는 추론(Stage 1)과 도구 사용(Stage 2)을 분리하여 학습시키는 단계별 파인튜닝 방식을 적용했다.
• 데이터 필터링을 통해 자가 수정 능력을 6%에서 63%까지 끌어올려 에이전트의 신뢰성을 크게 개선했다.
• 모든 도구 호출에서 100% 유효한 JSON 출력을 보장하여 외부 시스템과의 연동 안정성을 확보했다.