고품질 훈련 태스크(task)의 공급은 에이전트형 언어 모델(agentic language models)을 위한 검증 가능한 보상 기반 강화학습(RLVR, Reinforcement Learning from Verifiable Rewards)의 핵심적인 병목 현상입니다. 각 태스크는 샌드박스 환경(sandboxed setup), 프롬프트(prompt), 그리고 수작업으로 작성된 보상 함수(reward function)를 필요로 하며, 품질 기준을 통과하는 태스크만이 유용한 훈련 신호(training signal)를 생성합니다. 이러한 품질 기준에 맞춘 수작업 큐레이션(Hand-curation)은 효과적인 RL 훈련에 필요한 태스크 수만큼 경제적으로 확장될 수 없으며, 자동 생성된 태스크 변형(task variants)과 인간이 작성한 태스크 간의 대체율(substitution rate) 또한 아직 확립되지 않았습니다. 본 연구에서는 RLVR 과정 중 추가적인 인간 큐레이션을 대신하기 위해, 소수의 수작업 기반 태스크를 미리 지정된 게이트 필터링(gate-filtered)된 증강(augmentations)으로 사용하는 방안을 조사합니다. 우리는 증강된 태스크와 인간이 작성한 태스크 사이의 비용 조정 교환율(cost-adjusted trade rate) $ρ_{\text{cost}}$를 공식화하고, 증강 비율이 다양한 훈련 코퍼스(training corpora)에 대한 통제된 절제 연구(ablation)를 통해 이를 측정하며, 증강 파이프라인의 엔드 투 엔드(end-to-end) 경제성을 규명합니다. 추가적인 인간 작성 태스크를 증강된 콘텐츠로 대체하더라도 코드, 지시 이행(instruction following), 추론(reasoning), 다회차 에이전트 함수 호출(multi-turn agentic function-calling)을 아우르는 10개의 벤치마크 세트에서 전체적인 홀드아웃 일반화(held-out generalization) 성능을 유지합니다. 게이트 필터링된 합성 RLVR 태스크와 인간 작성 RLVR 태스크 사이의 비용 조정 교환율 $ρ_{\text{cost}}$는 가능한 $c_{\text{human}}/c_{\text{aug}}$ 범위 내에서 $[1.4\times, 11.6\times]$를 유지합니다.