UC Berkeley, 범용 텍스트 최적화 API 'optimize_anything' 출시

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

UC Berkeley의 Matei Zaharia 교수팀이 기존 GEPA 프롬프트 최적화 기술을 대폭 확장한 'optimize_anything' API를 발표했다. 이 도구는 단순 텍스트 프롬프트를 넘어 코드, 에이전트 아키텍처, CUDA 커널, 시스템 구성 등 모든 텍스트 기반 자산을 자동으로 개선한다. 사용자가 초기 시드와 평가 함수를 제공하면, LLM이 진단 피드백을 바탕으로 반복적인 추론을 수행하여 결과물을 정교화하는 방식이다. 벤치마크 결과 ARC-AGI 정확도가 비약적으로 상승하고 클라우드 인프라 비용이 40% 절감되는 등 강력한 성능 향상을 입증했다.

배경

LLM 프롬프트 엔지니어링 기초, Python 및 API 활용 능력, 최적화 평가 함수(Evaluator) 설계 개념

대상 독자

AI 시스템 최적화 엔지니어 및 LLM 에이전트 개발자

의미 / 영향

이 도구는 수동으로 이루어지던 코드 및 시스템 튜닝 과정을 LLM 기반 자동화로 전환하여 개발 생산성을 획기적으로 높일 것으로 기대된다. 특히 복잡한 에이전트 구조나 저수준 커널 최적화에서 인간 전문가 수준의 성과를 낼 수 있음을 보여주며, AI가 스스로를 개선하는 자기 최적화 시스템의 실용성을 입증했다.

섹션별 상세

UC Berkeley 연구팀은 GEPA 프롬프트 최적화 도구를 확장하여 코드와 시스템 설정까지 처리할 수 있는 범용 API인 optimize_anything을 출시했다.

이 프레임워크는 사용자가 제공한 초기 시드 아티팩트와 평가 함수를 기반으로 작동하며, LLM이 실행 결과에 대한 진단 피드백을 분석하여 스스로 수정안을 제시하는 반복적 정교화 과정을 거친다.

ARC-AGI 벤치마크 테스트에서 Gemini 3 Flash 모델과 결합했을 때 정확도가 기존 32.5%에서 89.5%로 급증했으며, 이는 기존의 AlphaEvolve와 같은 진화적 탐색 프레임워크를 능가하는 성과이다.

클라우드 인프라 최적화 실험에서는 운영 비용을 40% 절감하는 효과를 확인했으며, pip 설치가 가능한 API 형태와 백엔드에 구애받지 않는 설계로 실무 도입 장벽을 낮췄다.

실무 Takeaway

프롬프트뿐만 아니라 CUDA 커널이나 에이전트 구조 최적화가 필요한 경우 optimize_anything을 도입하여 자동화된 성능 개선 파이프라인을 구축할 수 있다.
ARC-AGI와 같은 고난도 추론 작업에서 모델의 기본 성능 한계를 극복하기 위해 LLM의 진단 피드백 루프를 활용한 최적화 프레임워크 적용이 필수적이다.
기존의 복잡한 진화적 탐색 도구와 달리 백엔드 중립적인 API 설계를 통해 기존 기술 스택을 재구축하지 않고도 최적화 기능을 통합할 수 있다.

언급된 리소스

GitHuboptimize_anything GitHub Repository