기존 LLM 기반 최적화 연구는 코드를 한 번 생성하면 끝이었거든요

LLM이 진화 알고리즘 안에서 스스로 반복 추론하며 휴리스틱을 설계하는 ReVEL 프레임워크가 공개됐어요.

기존 LLM 기반 최적화 연구는 코드를 한 번 생성하면 끝이었거든요. ReVEL은 다르게 접근했어요. 후보 휴리스틱을 행동 패턴별로 그룹화한 뒤, LLM이 그룹 수준의 피드백을 받아 여러 턴에 걸쳐 개선안을 도출해요. 이 개선안은 진화 알고리즘 기반 메타 컨트롤러가 탐색과 활용의 균형을 맞춰가며 선별 적용해요.

NP-난해 조합 최적화 벤치마크 실험에서 기존 강력한 베이스라인 대비 통계적으로 유의미한 성능 향상을 달성했어요.

"한 번 물어보고 끝"이 아니라 "대화하며 다듬는" 방식이 자동 알고리즘 설계에서도 통한다는 걸 보여준 연구예요.