초록

우리는 인공지능 시스템이 환경과 도구에 대해 자율적으로 상호작용하며 문제를 주도적으로 탐색하고 가설을 수립하며 해결책을 실행하는 능력을 '자율성(Agency)'으로 정의한다. 이 본질적인 능력은 AI의 자율성 시대가 도래함을 의미하며, 이는 산업계의 핵심 전환에 기인한다. 즉, 단순히 사고하는 것을 넘어서 실제 작업을 수행하는 AI 시스템의 절박한 필요성이다. 현재의 AI는 추론과 응답 생성에 뛰어나지만, 산업계는 작업을 수행하고 도구를 운영하며 실제 세계적 결과를 만들어내는 자율 에이전트를 요구하고 있다. 이제 지능형 자율성은 인지 시스템과 생산적 노동자 간을 가르는 결정적 특징이 되었으며, 기계의 자율성 효율적인 육성은 절대적으로 중요해졌다. 기존의 접근 방식은 언어 모델링의 전통적 규모 법칙에 따라 더 많은 데이터가 더 나은 자율성을 가져온다고 가정해 왔다. 우리는 이 패러다임을 근본적으로 도전한다. LIMI(Less Is More for Intelligent Agency)는 자율성이 근본적으로 다른 발전 원칙을 따름을 입증한다. 협업 소프트웨어 개발 및 과학 연구 워크플로우에 전략적으로 초점을 맞추어, 자율적 행동의 최소한이지만 전략적으로 선별된 사례들로부터 고도의 자율 지능이 탄생할 수 있음을 보여준다. 단 78개의 철저히 설계된 학습 샘플만을 사용하여 LIMI는 종합적인 자율성 벤치마크에서 73.5%의 성능을 달성했으며, 기존 최고 수준의 모델들—Kimi-K2-Instruct(24.1%), DeepSeek-V3.1(11.9%), Qwen3-235B-A22B-Instruct(27.5%), GLM-4.5(45.1%)—을 크게 능가했다. 특히 놀라운 점은, 1만 개의 샘플로 학습된 모델 대비 53.7%의 성능 향상을 달성했으며, 샘플 수가 128배 적은 조건에서도 탁월한 자율 지능을 구현했다는 점이다. 본 연구의 결과는 '자율성 효율성 원칙(Agency Efficiency Principle)'을 제시한다. 즉, 기계의 자율성은 데이터의 풍부함이 아니라, 고품질의 자율적 행동 사례를 전략적으로 선별함에 의해 탄생함을 시사한다.