Hacker News가 HyperAgents repository와 paper에 반응한 이유는 self-improving AI를 추상적 슬로건이 아니라 inspectable한 코드 loop로 끌어내렸기 때문이다. 논문은 task agent와 meta agent를 하나의 editable program 안에 넣고, meta-level modification procedure 자체도 수정 가능하게 만든다. 즉 system이 task를 푸는 방식뿐 아니라 앞으로 자신을 어떻게 고칠지도 함께 바꾸려는 구조다.

DGM의 가정 바깥으로

저자들은 이 구성을 Darwin Godel Machine을 확장한 DGM-Hyperagents라고 설명한다. 기존 self-improvement 접근은 평가와 self-modification이 둘 다 coding task일 때 특히 잘 맞는다. coding ability가 높아질수록 자신의 변형본을 더 잘 쓸 수 있기 때문이다. HyperAgents는 이런 정렬이 coding 밖에서도 성립할 수 있도록 task-solving behavior와 improvement loop를 동시에 editable하게 만든다. arXiv 초록은 이를 통해 any computable task로의 확장을 노린다고 적는다.

흥미로운 부분은 headline보다 transfer claim이다. 논문은 DGM-H가 다양한 domain에서 시간이 갈수록 성능이 개선되고, self-improvement가 없거나 open-ended exploration이 없는 baseline보다 낫다고 주장한다. 또 persistent memory, performance tracking 같은 meta-level 개선이 여러 run에 걸쳐 축적되고 domain 간에도 transfer된다고 말한다. 이것이 사실이라면 의미는 단순히 더 나은 prompt를 찾는 수준을 넘는다. agent가 다음 개선을 만드는 방법 자체를 더 잘 배우는 셈이기 때문이다.

왜 HN 토론이 엇갈렸나

HN 반응은 기대와 회의가 동시에 나타났다. 일부는 self-modification loop를 명시적으로 드러내고 측정 대상으로 삼았다는 점을 높게 봤다. 반면 다른 독자들은 결국 coding scaffold를 고치는 작업을 더 거창하게 포장한 것 아니냐고 지적했다. 두 시각 모두 중요하다. 실제 repository는 generate_loop.py, meta_agent.py, task_agent.py처럼 구성요소를 드러내고 있으며, model-generated code를 실행하는 데 따르는 안전 리스크도 분명하게 적는다.

결국 이 포스트가 의미를 가진 이유는 HyperAgents가 open-ended self-improvement를 입증했다기보다, 그 주장을 더 세밀하게 반박하거나 재현할 수 있는 코드와 가설을 내놨기 때문이다. agent research를 보는 커뮤니티 입장에서는 과장된 headline만큼이나, improvement loop를 editable object로 다루고 transfer를 측정하려는 시도 자체가 중요한 신호다.

#hyperagents

Hacker News가 주목한 HyperAgents, self-improving agent를 loop로 드러내다