외부 전문가의 감독 없이 대규모 언어 모델(Large Language Models, LLMs)이 안정적인 자기 개선(Self-improvement)을 달성할 수 있도록 하는 것은 복잡한 추론 작업에서 여전히 핵심적인 과제로 남아 있습니다. 기존의 자기 증류(Self-distillation) 및 강화 학습(Reinforcement Learning, RL) 방법들은 문제 수준의 학습 진행 상황을 추적하고 그에 따라 최적화 전략을 조정하는 명시적인 메커니즘이 부족합니다. 결과적으로, 학습 과정에서 쉬운 문제에 과도하게 최적화되거나, 어려운 문제로부터는 약한 감독을 받게 되며, 경계선에 있는 사례(Borderline cases)를 충분히 탐색하지 못할 수 있습니다.

이러한 문제를 해결하기 위해, 우리는 대규모 언어 모델을 위한 온라인 자기 진화 정책 최적화 프레임워크인 DRIFT를 제안합니다. DRIFT는 난이도 라우팅(Difficulty Routing)과 리듬 게이팅(Rhythm Gating)의 결합된 사용을 통해 모델의 자기 개선 과정을 조절합니다. 전자는 문제 수준에서 모델의 학습 상태를 식별하고 자기 증류 및 강화 학습 신호를 동적으로 할당하며, 후자는 토큰 수준에서 정책 업데이트를 정교화하여 중요한 추론 위치에 탐색을 집중시킵니다. 또한 성공 버퍼(Success Buffer)와 2단계 커리큘럼 학습(Curriculum Learning) 전략을 추가로 통합함으로써, DRIFT는 고품질의 과거 경험을 보존하는 동시에 모델이 신뢰할 수 있는 행동 습득에서 안정적인 정책 진화로 점진적으로 나아가도록 유도합니다.

5개의 벤치마크와 3가지 모델 규모에 대해 평가한 결과, DRIFT는 모든 평가 지표에서 GRPO와 SDPO의 최고 성능을 능가했습니다. 5개 벤치마크의 평균 점수에서 DRIFT는 79.5%를 달성하여 GRPO보다 9.5%, SDPO보다 7.5% 높은 성능을 보이며 새로운 SOTA(State-of-the-art) 결과를 수립했습니다. 특히 ToolUse에서 DRIFT는 79.2%의 정확도에 도달하여 GRPO보다 13.5%, SDPO보다 10.7% 향상된 성능을 기록하며 새로운 SOTA를 달성하였고, 모든 동시대 방법론들을 실질적으로 압도했습니다.