새로운 AI 에이전트 프레임워크인 AutoFyn이 공개되어, 고정된 모델(frozen model)을 활용해 장기적인 목표를 달성하는 새로운 접근 방식을 제시했습니다. 기존의 AI 모델들이 학습을 통해 가중치를 지속적으로 업데이트하며 성능을 개선하는 것과 달리, AutoFyn은 모델 자체는 고정하고 검증된 보상 신호를 통해 '지속적인 상태(persistent state)'를 갱신함으로써 에이전트의 정책을 효과적으로 발전시킵니다.
AutoFyn의 핵심은 '전문가 반복(Expert Iteration)' 알고리즘에서 영감을 받아 각 라운드가 새로운 모델 세션으로 시작된다는 점입니다. 이때 이전 라운드에서 얻은 내구성 있는 정보는 영구 메모리 파일, 보고서, 저장소 상태와 같은 명시적인 인터페이스를 통해서만 재도입됩니다. 각 라운드 내에서는 오케스트레이터가 다양한 접근 방식을 탐색하고 계획하며, 전문화된 에이전트들이 이를 구축합니다. 이후 '태스크 기반 검증기(task-grounded verifier)'가 작업을 검증하고 진행 상황을 측정하는 객관적인 보상을 제공하며, 이 보상은 다음 라운드의 정책을 업데이트하는 지속적인 상태로 다시 반영됩니다.
이러한 비모수적(non-parametric) 접근 방식은 국제 수학 올림피아드, 데이터 과학, 사이버 보안 등 세 가지 도메인에서 그 유용성을 입증했습니다. 특히 2026년 국제 수학 올림피아드(IMO)의 6개 신규 문제에서 AutoFyn을 적용한 모든 모델은 기존 코딩 에이전트보다 높은 점수를 기록했습니다. 또한 Spider 2.0 dbt 벤치마크에서 최고 순위 에이전트를 구축했으며, GitHub의 유명 프로젝트들(MetaMask, pnpm 등)에서 16건의 유지 관리자 확인 취약점 권고를 생성하는 등 실제 문제 해결 능력도 보여주었습니다. 이는 모델 자체를 재학습시키지 않고도 외부 정보를 활용해 복잡한 문제를 해결하는 AI 에이전트의 잠재력을 보여주는 중요한 사례입니다.