이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Schema는 모델의 내부 가중치를 변경하지 않고도 관찰을 내부적 게임 모델로 구조화하고 예측을 상호작용 이력과 대조하며 필요시 계획을 반복 수정하는 프로세스 오케스트레이션으로 ARC‑AGI‑3 Public에서 Claude Opus 4.8 기준 99%와 GPT‑5.6 Sol 기준 95.35%를 보고했다, 핵심 기술은 초기 실행에서 정해진 임계값(80) 미만인 게임을 감지해 더 강한 모델·설정으로 재실행하는 폴백 규칙을 적용하는 것이며 이 규칙은 게임별로 더 높은 점수를 선택하도록 설계되어 있다, 결과적으로 시스템 수준의 실행 전략만으로 벤치마크 성능을 끌어올릴 수 있음을 보여주지만 개별 사례를 재실행하는 절차로 인해 실행 횟수와 운영 복잡성이 증가할 가능성이 존재한다.
섹션별 상세
주요 결과로 Schema는 ARC‑AGI‑3 Public에서 Claude Opus 4.8과 Fable 5 조합으로 게임 단위 성능을 높여 Claude Opus 4.8 기준 99%와 GPT‑5.6 Sol 기준 95.35%를 보고했다. 이 접근법은 모델의 가중치를 변경하지 않고 입력 관찰을 내부적으로 작동 가능한 게임 모델로 변환한 뒤 그 모델을 기반으로 예측을 생성하고 상호작용 이력과 대조해 예측을 검증하며 계획을 수정하는 프로세스 흐름을 사용한다. 수치적 근거로 두 가지 성능 수치가 명시되어 있어 결과가 재현 가능한 벤치마크 성과로 제시되었다.
구체적 운영 규칙으로는 초기 실행에서 Opus 4.8 및 Sol xhigh 설정을 먼저 사용하고, 개별 게임에서 점수가 80 미만인 경우 Fable 5와 Sol max로 재실행한 후 게임별로 더 높은 점수를 채택하는 폴백 규칙을 적용했다. 이 메커니즘은 입력→처리→출력 흐름에서 저성능 사례를 판별한 뒤 더 강한 설정으로 재시도하여 최종 출력의 게임별 점수를 높이는 방식으로 작동한다. 명시된 임계값(80)과 모델·설정 조합이 근거로 제공되어 시스템 수준의 조합 전략이 성능에 직접적으로 기여했음이 드러났다.
시스템 차원의 변화만으로 벤치마크 수치가 크게 개선된 사례라는 점에서 이 접근법은 모델 아키텍처나 파라미터 조정 없이도 성능 향상이 가능함을 보여준다. 작동 방식은 관찰을 구조화된 내부 모델로 변환하고 그 내부 모델의 예측을 역사적 상호작용과 대조해 오류를 발견하면 계획을 수정하는 순환적 프로세스를 포함한다. 한편 초기 실행 실패에 대해 재실행을 도입함으로써 일부 사례에 대해 추가적인 실행 단계가 발생한다는 점에서 실행 횟수와 운영 복잡성이 늘어날 가능성이 내포되어 있다.
용어 해설
- Process Orchestration
- — 여러 모델과 절차를 순차적 또는 조건부로 조합해 최종 출력을 생성하는 방식으로, 입력 관찰을 중간 표현으로 전환하고 예측을 검증하며 계획을 반복적으로 갱신하는 흐름 제어가 핵심이다.
- Per-Game Evaluation
- — 각 게임 또는 사례 단위로 점수를 산출하고 그 결과를 기준으로 후속 처리 경로를 결정하는 평가 방식으로, 개별 사례에 대해 서로 다른 실행 전략을 적용할 수 있게 한다.
- Fallback Rule
- — 초기 실행에서 일정 기준(예: 점수 임계값) 이하가 나오면 대체 모델이나 강화된 설정으로 재실행하는 규칙으로, 실패 또는 저성능 사례를 보완하기 위해 설계된 재시도 전략이다.
- Interaction History
- — 모델이 환경과 주고받은 관찰과 행동의 연속 기록으로, 예측을 검증하거나 계획을 수정할 때 과거 행동과 결과를 대조하는 근거 자료로 활용된다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 17.수집 2026. 07. 17.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.