장기적 생산성 시뮬레이션을 위한 대규모 합성 컴퓨터

요약

본 논문은 현실적인 장기적 생산성 작업을 시뮬레이션하기 위해 'Synthetic Computers at Scale'이라는 확장 가능한 방법론을 제안합니다. 이 방법론은 실제 폴더 구조와 다양한 콘텐츠가 풍부한 아티팩트를 갖춘 합성 컴퓨터 환경을 생성하고, 사용자 특화의 복잡한 목표를 가진 에이전트들이 장기간에 걸쳐 상호작용하며 작업을 수행하도록 합니다. 이를 통해 방대한 양의 현실적이고 풍부한 경험 학습 신호를 확보할 수 있으며, 이는 에이전트 성능 개선 및 강화학습(RL) 연구를 위한 강력한 기반을 제공합니다.

핵심 포인트

• 'Synthetic Computers at Scale' 방법론은 실제와 유사한 폴더 구조와 콘텐츠가 풍부한 아티팩트를 갖춘 합성 환경을 생성한다.
• 사용자 특화의 복잡하고 장기적인 생산성 목표를 설정하여 에이전트들이 현실적인 작업을 수행하도록 한다.
• 시뮬레이션 결과는 8시간 이상의 긴 실행 시간과 2,000개 이상의 턴을 포함하며 풍부한 경험 학습 신호를 제공한다.
• 이 방법론은 수백만 또는 수십억 개의 합성 사용자 월드로 확장 가능하여 광범위한 시나리오 테스트를 지원한다.
• 합성 컴퓨터와 대규모 시뮬레이션의 결합은 에이전트 자기 개선 및 강화학습(RL)을 위한 유망한 기반 서브스트레이트를 제공한다.