Solvita: 에이전트-에볼루션으로 대형 언어모델을 이용한 경쟁 프로그래밍 성능 향상

대형 언어모델은 여전히 까다로운 알고리즘 문제의 추론에 취약하다. Solvita는 4개의 특화된 에이전트 Planner/Solver/Oracle/Hacker를 통해 문제 해결 전략을 지속적으로 개선하되 LLM 파라미터를 고정한다. 이를 통해 과거 에피소드를 활용한 학습이 가능해져 벤치마크에서 단일 패스 기반 접근을 크게 능가한다.

1. 기존의 단일 패스 LLM 코딩은 문제 구조를 이해하고 코드를 작성하는 데 필요한 다단계 정보를 한 번에 처리한다. 2) Solvita는 문제를 형식적 표현으로 재구성하고, 이 표현에 맞춘 태그-예상 전략-코드-검증 경로를 연결하는 다중 에이전트를 통해 문제해결의 흐름을 조각낸다. 3) 각 에이전트의 지식 네트워크에 의해 과거 실패/성공 사례가 라우팅 가중치로 학습되며, 이는 전체 파이프라인의 성능 향상으로 이어진다.

전체 접근은 네 가지 에이전트의 협업과 보상 신호의 공유에 기반한다. Planner는 문제를 형식화하고 태그를 예측한다. Solver는 선택된 전략으로 C++ 구현을 패치-수정한다. Oracle은 내부 테스트를 구성하고 인증 비율을 평가한다. Hacker는 악의적 테스트를 설계해 취약점을 찾고, 그 결과는 모든 네트워크에 반영된다. 학습은 각 문제마다 반대 사례를 통해 REINFORCE로 가중치를 업데이트한다. 데이터는 Codeforces/CodeContests/APPS/AetherCode에서 수집-정규화-필터링되어 8,017개 문제의 최종 코퍼스로 작동한다.

주요 백본(GPT-5.4)으로 CodeContests/ APPS/ AetherCode에서 Solvita는 pass@1에서의 개선이 뚜렷하다. CC: 82.4%, APPS: 67.7%, AC: 49.3% 수준으로 단일 패스 대비 크게 향상됐다. Patch-based 수리 방식은 전체 재생성보다 효율적이며, Solver 네트워크의 기여가 가장 크고 Hacker/Oracle의 보조 기여도 안정적으로 증가한다. Codeforces 실전 대회에서도 Legendary Grandmaster에 근접하는 성능을 보이고, cold-start 비용과 악성 입력에 대한 내성 등 실전적 특성도 제시된다.

네 가지 에이전트와 각자의 지식 네트워크를 연결하는 그래프 구조를 사용한다. Planner의 태깅-전략 예측, Solver의 기능-블록 기반 패치, Oracle의 내부 테스트-인증, Hacker의 공격 경로를 모두 하나의 프레임워크에서 관리한다. 각 네트워크의 업데이트는 REINFORCE를 통해 수행되며, 문제-태그-전략 간의 경로가 학습된다. 데이터 파이프라인은 30,018개 문제에서 시작해 Completeness → Tag Load Balancing → Deduplication → Difficulty Pruning의 네 단계 필터링으로 8,017개 문제를 최종 corpus로 확보한다.

한계점으로 cold-start 비용, 해커의 스코프 제약, patch-repair drift를 제시한다. 미래 방향으로는 오프라인 코퍼스의 확장, 다른 검증 도메인으로의 확장, 파라미터 업데이트 없이도 지식 네트워크를 더 확장하는 방안이 논의된다.