논문에서는 AutoDesign을 소개합니다. 이는 롤아웃 피드백을 기반으로 코드 에이전트의 하니스를 재귀적으로 개선하도록 안내하기 위해 메타-하니스 옵티마이저를 사용하는 프레임워크입니다. 이 접근 방식은 인간의 설계 사전 지식과 정렬하고 재귀적 자기 개선을 위해 재사용 가능한 경험을 축적하는 것을 목표로 합니다.

  • PosterBench에서 평가된 AutoDesign은 78.32의 점수를 달성하여 Claude Design보다 7.45점 더 높았습니다.
  • 학습된 DesignHarness를 통합하면 PosterBench 평균 점수가 54.99에서 67.39로 증가했습니다 (+12.4%).
  • 시스템은 40분 이내에 $3 미만으로 253개의 도구 호출과 11번의 편집 턴을 실행했습니다.
  • 인간 연구는 AutoDesign이 평가된 시스템 중 가장 높은 인간 선호도를 달성함을 보여줍니다.

저자들은 이것이 장기 에이전트 프로세스를 통해 다중 모달 소스를 구조화된 출력으로 변환하고 자율적으로 컨퍼런스 포스터 품질을 달성하기 때문에 중요하다고 간주합니다.