이 논문은 롤아웃 피드백을 기반으로 하니스를 재귀적으로 개선하는 코드 에이전트를 안내하기 위해 메타-하니스 옵티마이저를 사용하는 프레임워크인 AutoDesign을 소개합니다. 저자들은 PosterBench라는 새로운 벤치마크를 사용하여 학술 논문에서 포스터 생성 작업에 이 접근 방식을 평가합니다.

  • AutoDesign은 PosterBench 메인 트랙에서 78.32점을 달성하여 Claude Design보다 7.45점 앞서습니다.
  • 학습된 DesignHarness를 통합하면 7가지 코드 에이전트 모델 구성 전반에 걸쳐 평균 PosterBench 점수가 54.99에서 67.39로 증가합니다.
  • 완전 자율 루프에서 시스템은 40분 이내에 253개의 도구 호출과 11번의 편집 턴을 수행하며 비용은 3달러 미만입니다.
  • 시스템에 무지한 인간 연구는 AutoDesign이 평가된 시스템 중 가장 높은 인간 선호도를 달성함을 보여줍니다.

저자들은 이것이 장기적 에이전트 프로세스에서 재귀적 자기 개선으로 이어질 수 있는 인간의 설계 사전 지식과 재사용 가능한 경험 축적이 어떻게 조화되는지를 보여주므로 이를 중요하게 여깁니다.