Large Language Models (LLMs)의 풍부한 세상 지식을 활용하여 Reinforcement Learning (RL) 에이전트를 강화하는 것은 범용 지능(General Intelligence)을 향한 유망한 경로를 제공합니다. 그러나 근본적인 사전-역학 불일치(prior-dynamics mismatch)가 기존 방식들을 저해하고 있습니다. 즉, 정적인 LLM 지식은 장기적 과제(long-horizon tasks)의 복잡한 전이 역학(transition dynamics)에 직접적으로 적응할 수 없습니다. LLM 사전 지식(priors)을 고정된 정책(fixed policies)으로 사용하는 것은 사전 지식이 환경 특유의 역학에 무지하기 때문에 탐색의 다양성(exploration diversity)을 제한하며, 엔드투엔드 미세 조정(end-to-end fine-tuning)은 최적화 불안정성과 신용 할당(credit assignment) 문제로 어려움을 겪습니다.

이 간극을 메우기 위해, 우리는 분리된 롤아웃-학습(decoupled rollout-training) 설계를 통해 LLM에서 유도된 개념적 사전 지식을 세계 모델 기반 계획(world-model-based planning)에 통합하는 통합 프레임워크인 PriorZero를 제안합니다. 롤아웃(rollout) 과정에서, 새로운 루트-사전 주입(root-prior injection) 메커니즘은 Monte Carlo Tree Search (MCTS)의 루트 노드에서만 독점적으로 LLM 사전 지식을 통합하여, 세계 모델의 심층 탐색(deep lookahead) 능력을 보존하면서도 의미론적으로 유망한 행동에 탐색을 집중시킵니다. 학습 과정에서 PriorZero는 세계 모델 학습을 LLM 적응으로부터 분리합니다. 세계 모델은 상호작용 데이터 상에서 지속적으로 정교화되어 역학(dynamics), 정책(policy), 가치 예측(value predictions)을 공동으로 개선하며, 이후 이 가치 추정치(value estimates)는 교대 최적화(alternating optimization)를 통해 안정적인 LLM 미세 조정을 위한 세밀한 신용 할당 신호를 제공하는 데 활용됩니다.

Jericho의 텍스트 기반 어드벤처 게임과 BabyAI의 지시 이행 그리드월드(gridworld) 과제를 포함한 다양한 벤치마크에서의 실험은 PriorZero가 탐색 효율성과 점근적 성능(asymptotic performance)을 모두 일관되게 향상시킨다는 것을 입증하며, LLM 기반 의사결정을 위한 유망한 프레임워크를 구축합니다. 우리의 코드는 https://github.com/opendilab/LightZero 에서 확인할 수 있습니다.