Agentic AIs Are the Missing Paradigm for Out-of-Distribution Generalization in

Foundation models (FMs) 는 분포 이동이 예외가 아닌 규칙인 오픈 월드 설정에서 점점 더 많이 배포되고 있습니다. Foundation models (FMs) 가 직면한 out-of-distribution (OOD) 현상 -- 지식 경계, 능력 한계, 구성적 이동, 그리고 무제한 과제 변형 -- 은 이전 OOD 연구가 형성했던 설정과 종류가 다르며, 현대 FMs 의 사전 학습 및 후학습 분포는 종종 부분적으로만 관찰되기 때문에 더욱 복잡해집니다. 우리의 입장은 Foundation models 의 OOD 가 기존 모델 중심 패러다임 내에서 해결할 수 없는 구조적으로 다른 문제이며, 에이전트 시스템이 이를 해결하기 위해 필요한 결여된 패러다임이라는 것입니다. 우리는 네 가지 단계로 이 주장을 입증합니다. 첫째, 부분적으로 관찰된 다단계 학습 분포를 수용하는 OOD 의 단계를 인식한 형식화를 제공합니다. 둘째, 파라미터 커버리지 한계를 증명합니다: 모델 중심 방법 (학습 시간 또는 테스트 시간) 으로 허용 오차 $\ε$ 내에서 처리할 수 없는 실용적으로 관련 있는 입력이 존재하며, 이는 파라미터 기반 표현의 내재적 이유 때문입니다. 셋째, 에이전트 OOD 시스템을 네 가지 구조적 특성 -- 인식, 전략 선택, 외부 행동, 그리고 폐쇄 루프 검증 -- 으로 특징 짓고, 그들이 한계선을 넘어 도달 가능한 집합을 엄격하게 확장함을 보여줍니다. 넷째, 우리는 7 개의 반론에 응답하며, 두 가지는 양보하고 연구 계획을 개요를 제시합니다. 우리는 에이전트 방법이 모델 중심 방법을 포함한다고 주장하지 않습니다; 우리는 둘이 상호 보완적이며, FM-OOD 의 진보는 에이전트 패러다임을 일급 연구 방향으로서 명시적으로 인식해야 함을 주장합니다.