추가 학습 없는 최적화 모델링 하네스 OPTICYCLE, 정확도 최대 49.46%p 향상

연구진이 자연어로 쓴 최적화 문제를 솔버 프로그램으로 바꾸는 경량 하네스 OPTICYCLE과 OPTISTATE를 제안했다. 두 하네스는 단일 모델 역할만 쓰며 모델을 따로 학습하지 않고 추론 단계에서 작동한다. 논문은 2026-10-22 arXiv에 올라왔다.

평가는 9개 벤치마크의 문제 2,634개를 대상으로, 0.6B에서 27B 파라미터까지 Qwen 변형 11종을 써서 진행했다. 연구진에 따르면 코드를 실행한 결과를 바탕으로 고치는 방식은 평가한 모든 모델에서 한 번에 생성하는 방식(direct generation)보다 macro accuracy가 높았으며, 향상 폭은 최대 49.46%p였다.

LLM은 최적화 문제를 솔버 코드로 옮길 수 있지만 올바른 수식화와 구현을 안정적으로 내놓기는 여전히 어렵다. 기존 접근은 에이전트 워크플로를 쓰거나 특정 과제에 맞춰 사후 학습을 하는 방식이었다. 연구진은 추가 학습 없이 가벼운 하네스만으로 경쟁력 있는 성능을 낼 수 있는지를 물었다.

연구진은 두 하네스가 단순한 구조인데도 같은 모델로 비교했을 때 변형한 에이전트 워크플로 6종을 앞섰다고 밝혔다. 이번 평가에 포함된 사후 학습 최적화 모델 4종과 비교해서도, 모델 크기가 비슷한 조건에서 추가 학습 없이 더 나은 성능을 냈다고 했다. 명시적인 수식화 상태를 두면 추가 향상이 있었으나 모델에 따라 효과가 달랐고, 연구진은 구조를 더한다고 항상 이득은 아니라고 설명했다.