CORAL: 개방형 탐색을 위한 자율적 다중 에이전트 진화 시스템

CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery

대규모 언어 모델(LLM) 기반 진화는 지속적인 탐색과 지식 축적을 필요로 하는 개방형 탐색을 위한 유망한 접근 방식입니다. 기존 방법은 여전히 고정된 휴리스틱과 하드 코딩된 탐색 규칙에 크게 의존하여 LLM 에이전트의 자율성을 제한합니다. 본 논문에서는 개방형 문제에 대한 첫 번째 자율적 다중 에이전트 진화 프레임워크인 CORAL을 제시합니다. CORAL은 경직된 제어 방식을 대신하여 공유된 지속적인 메모리, 비동기식 다중 에이전트 실행, 그리고 하트비트 기반 개입을 통해 탐색, 성찰, 협력을 수행하는 장기간 실행 에이전트를 사용합니다. 또한, CORAL은 격리된 작업 공간, 평가기 분리, 자원 관리, 에이전트 세션 및 건강 관리와 같은 실용적인 안전 장치를 제공합니다. 다양한 수학, 알고리즘 및 시스템 최적화 작업에 대해 평가된 CORAL은 10개의 작업에서 새로운 최고 성능을 달성했으며, 고정된 진화 탐색 기준선에 비해 작업 전반에 걸쳐 3~10배 더 높은 개선율을 훨씬 적은 평가 횟수로 달성했습니다. Anthropic의 커널 엔지니어링 작업에서, 네 개의 공동 진화 에이전트는 최고 점수를 1363에서 1103 사이클로 개선했습니다. 추가적인 분석 결과는 이러한 개선이 지식 재사용 및 다중 에이전트 탐색 및 통신으로부터 어떻게 발생하는지 보여줍니다. 이러한 결과는 더 높은 에이전트 자율성과 다중 에이전트 진화가 개방형 탐색을 크게 향상시킬 수 있음을 시사합니다. 코드는 https://github.com/Human-Agent-Society/CORAL 에서 확인할 수 있습니다.

Large language model (LLM)-based evolution is a promising approach for open-ended discovery, where progress requires sustained search and knowledge accumulation. Existing methods still rely heavily on fixed heuristics and hard-coded exploration rules, which limit the autonomy of LLM agents. We present CORAL, the first framework for autonomous multi-agent evolution on open-ended problems. CORAL replaces rigid control with long-running agents that explore, reflect, and collaborate through shared persistent memory, asynchronous multi-agent execution, and heartbeat-based interventions. It also provides practical safeguards, including isolated workspaces, evaluator separation, resource management, and agent session and health management. Evaluated on diverse mathematical, algorithmic, and systems optimization tasks, CORAL sets new state-of-the-art results on 10 tasks, achieving 3-10 times higher improvement rates with far fewer evaluations than fixed evolutionary search baselines across tasks. On Anthropic's kernel engineering task, four co-evolving agents improve the best known score from 1363 to 1103 cycles. Mechanistic analyses further show how these gains arise from knowledge reuse and multi-agent exploration and communication. Together, these results suggest that greater agent autonomy and multi-agent evolution can substantially improve open-ended discovery. Code is available at https://github.com/Human-Agent-Society/CORAL.