# SkillLift 논문, 에이전트 스킬 진화에 토큰 비용 40–70% 감소 보고

DAIR.AI가 전체 롤아웃으로 모든 수정본을 채점하는 대신 학습된 루브릭을 훈련해 에이전트 스킬 프롬프트 후보의 순위를 매기는 SkillLift 논문을 조명했다. SkillsBench와 WildClawBench에서 SkillOpt와 CoEvoSkills를 능가하고, 목표 성능에 40 to 70% 더 적은 토큰으로 도달했다고 보고한다.

Language: ko
Time zone: Asia/Seoul
Current time (UTC, cached as of): 2026-11-10T06:59:00.000Z
Query date (Asia/Seoul): 2026-11-10

HTML: https://didcodexreset.com/ko/news/701ee000852e4cb189d23b53.html

Content language: ko
Localization state: translated

출처: DAIR.AI · 2026. 9. 22. 05:24:00 게시

DAIR.AI가 모든 후보 수정본을 채점하려고 전체 에이전트 롤아웃을 실행하지 않고 에이전트 스킬 프롬프트를 진화시키는 방법인 **SkillLift**에 관한 논문을 조명했다. SkillLift는 두 스킬 중 어느 것이 더 나은지에 대한 실제 결과와 일치하도록 루브릭을 훈련하는데, 순위 매기기가 각 점수를 예측하는 것보다 오라클 실행이 더 적게 필요하다는 근거에서다.

**내부 루프**는 롤아웃 비용 없이 고정된 루브릭에 맞춰 스킬을 수정한다. **외부 루프**는 순위 상관으로 루브릭을 재정렬하기 위해 몇 번의 실제 롤아웃을 사용한다. 해당 게시물은 롤아웃 비용이 스킬 자기 진화가 보통 관찰된 실패만 패치하는 이유라고 말한다.

**SkillsBench**와 **WildClawBench** (147개 태스크)에서 세 가지 모델로, SkillLift는 해당 베이스라인에 토큰 예산을 두 배로 주었을 때도 여섯 가지 조합 모두에서 **SkillOpt**와 **CoEvoSkills**를 능가했으며, **40 to 70% 더 적은 토큰**으로 목표 성능에 도달했다고 한다. 논문: [https://academy.dair.ai/papers/skilllift-learning-dense-rubrics-from-sparse-oracles-for-efficient-skill-evoluti-2609.15396](https://academy.dair.ai/papers/skilllift-learning-dense-rubrics-from-sparse-oracles-for-efficient-skill-evoluti-2609.15396)

Tags: SkillLift, 에이전트 스킬, 연구, LLM 에이전트

[원문 게시물 보기](https://x.com/dair_ai/status/2102129498447823052)