DIVE: Scaling Diversity in Agentic Task Synthesis for Generalizable Tool Use

DIVE가 툴 사용 LLM 학습에서 “데이터 양보다 다양성”이 OOD 일반화에 더 강하다는 걸 수치로 보여줬어요.

핵심은 합성 순서를 뒤집은 거예요. 먼저 실제 툴을 실행해 증거(trace)를 모으고, 그 결과로부터 성립하는 과제만 역으로 뽑아 실행 가능성과 검증 가능성을 확보했거든요.

이 방식으로 5개 도메인, 373개 툴을 커버했고, Qwen3-8B를 4.8만 SFT와 3,200 RL 데이터로 학습했어요. 그 결과 9개 OOD 벤치마크 평균 +22점, 동급 최강 8B 베이스라인 대비 +68점을 기록했어요.

시사점은 분명해요. 에이전트 성능을 올리려면 데이터를 더 모으기보다 툴 조합과 사용 패턴의 구조적 다양성을 먼저 설계해야 한다는 거예요.