오픈 엔디드 최적화가 GPT-5.5에게 자체 개선 과정 작성을 가능하게 하다

본 기사는 오픈 엔디드 최적화(OEO)를 소개합니다. 이는 프론티어 모델 옵티마이저가 지정된 최적화 파이프라인에 의존하는 대신 온라인으로 자체 개선 과정을 동적으로 구성할 수 있게 하는 프레임워크입니다. 저자들은 8개의 벤치마크-대상-모델 설정에서 14번의 직접 비교를 통해 OEO를 SkillOpt와 GEPA라는 두 단계적 접근법과 비교했습니다.

GPT-5.5 기반 OEO는 12승, 무승부 1회, 그리고 0.21%p의 근소한 패배를 기록했습니다. 이는 SkillOpt가 구성한 타겟 상호작용 토큰 예산의 중앙값인 34.3%만 활용했습니다. 통제 실험을 통해 이러한 이점이 단순히 사전 기반의 단일 재작성 때문이 아님이 확인되었습니다. 그러나 이 접근법에는 능력 한계가 존재합니다: SkillOpt는 중간 수준의 옵티마이저에서 OEO보다 더 우수한 성능을 보였으며, 약한 옵티마이저는 변경되지 않은 OEO 인터페이스를 통해 작동할 수 없었습니다.

이 결과는 지정된 파이프라인을 능력 의존적 비계로 재해석하며, 필수적인 제약 조건은 외부에 남아 있더라도 충분히 능력이 뛰어난 옵티마이저라면 피드백에서 개선으로 이어지는 경로를 자체적으로 구성할 수 있음을 시사합니다.