New AI optimization framework beats Claude Code and Codex by 2.5x on the same compute budget

Renmin University of China와 Microsoft Research 연구진은 AI 기반 시스템 최적화를 시행착오가 아닌 누적 학습 과정으로 바꾸는 Arbor 프레임워크를 소개했습니다. Arbor는 가설, 실험, 통찰을 트리 구조로 관리해 이전 실패에서 학습하고, 동일한 리소스 예산에서 Claude Code와 Codex 등 표준 AI coding agent보다 2.5배 이상 높은 검증 가능한 성능 개선을 보였습니다.

Arbor의 핵심은 복잡한 AI 시스템 개선에서 어떤 변경이 효과를 냈는지 추적하기 어려운 문제를 구조화했다는 점입니다. 기업 환경에서는 RAG, agent harness, 데이터 파이프라인처럼 변수들이 얽힌 시스템을 지속적으로 개선하는 autonomous optimization의 실용성을 높일 수 있습니다.