사고하기 전에 생각하기: 메타 추론을 통한 에이전트적 추론 확장

에이전트가 더 길고 복잡한 문제를 맡게 되면서, 실행 과정을 제어하는 것 자체가 또 하나의 과제가 됩니다. 실행의 각 단계는 어떤 부분 작업을 기반으로 구축할지, 새로 시작할지, 또는 언제 멈출지에 대한 새로운 제어 선택을 가져옵니다. 우리는 에이전트적 메타 추론(agentic meta-reasoning)을 소개합니다. 이는 이러한 선택들을 명시적이고 구조화된 추론 과정으로 만드는 추론 시간상의 장치입니다. 워커(Workers)들이 작업 수준의 계산을 수행하는 동안, 컨트롤러(Controller)는 실행 과정이 확립한 내용을 통합하고, 다음 옵션을 탐색하며, 남은 예산 하에서 각 옵션의 가치를 평가하고, 영구 메모리에서 가져온 컨텍스트와 함께 선택된 작업을 전송합니다. 결정 사이사에는 컨트롤러가 전체 기록을 재현하는 대신 실행 과정에 대한 간결한 계정만을 가지고 있습니다. 우리의 기준 모델(baselines)은 프로덕션 코딩 에이전트 및 연구용 장치들과, 동일한 워커와 계산 예산 허용치를 사용하는 Direct Control Agent를 포함합니다. 프로그램 재구성을 통해 장기적인 에이전트 능력을 테스트하는 ProgramBench에서, 메타 추론은 GPT-5.5를 사용하여 71.5%를 달성했으며 이는 Codex의 58.0% 대비 수치입니다. Opus 4.8을 사용했을 때도 67.2%를 달성하여 Claude Code의 65.5% 대비 높은 성능을 보였습니다. 추상적 추론, 다중 도메인 장기 추론, 증명 생성에 걸친 다른 벤치마크들에서, 이는 세 가지 최첨단 모델에 걸쳐 직접 제어보다 평균 3.6점에서 4.2점 향상되었습니다. 이 방법은 직접 제어가 정체되는 테스트된 예산 범위에서도 계속 개선되지만, 작은 예산에서는 오버헤드가 성능을 저해할 수 있습니다. 아티팩트-그래프 분석(Artifact-graph analysis)은 이전 작업의 재사용 증가, 대부분의 설정에서 올바른 솔루션에 대한 높은 커버리지를 보여주었으며, 최종 선택에서 불균일한 이득을 보였습니다. 이러한 결과는 에이전트가 더 긴 실행으로 확장됨에 따라 구조화된 제어에 계산 자원을 투입하는 것이 더욱 중요해진다는 것을 시사합니다.