본문으로 건너뛰기
#self-improvement#ai-agents#prompt-optimization#ntu

자가개선 AI 20 — 하네스를 고쳐도 어제 하던 일을 할 수 있을까?

NTU 하편 31–35쪽을 읽으며 하네스를 바꿀 때 생기는 망각과 개선기의 역할을 살펴본다. 가중치를 고정해도 예전 능력이 떨어지는 이유, 성공률과 유지율의 분모, DGM의 편집자 고정 실험을 여섯 계산 예제로 푼다.

불량 후보가 늘자 검사 카메라의 프로그램에 재촬영 단계를 넣었다. 흐린 사진에서는 놓치던 결함을 다시 찾았다. 그런데 선명한 사진에서도 답을 내기 전에 재촬영을 기다리다 검사가 끝난다. 카메라도 판독 모델도 그대로다. 검사 순서를 고친 것만으로, 어제까지 되던 일을 잃을 수 있을까?

19편은 새 입력에 적응한 모델의 이전 능력을 어떻게 다시 측정할지 살펴봤다. 이번에는 모델 바깥의 코드·프롬프트·도구 호출 순서인 하네스(harness)를 바꾼다. 하편 31–32쪽에서는 기존 능력이 얼마나 남았는지 계산하고, 33–35쪽에서는 하네스를 고치는 개선기(improver)도 함께 바뀌었는지 살펴본다. 카메라는 설명용 예제다. 원 논문은 고객지원 워크플로와 코딩 에이전트를 평가했다.

식 풀이 바로가기 실제로 잃은 문항 · 최종 성공률 · 기존 능력 유지율 · 제안과 채택 · 재검사가 유리한 조건 · 편집자 고정 실험

슬라이드별 영상 위치
하편 원본강의 영상해당 구간에서 들을 질문
31쪽30:18가중치를 고정하고 하네스만 바꿔도 예전 능력을 잃을까?
32쪽31:01워크플로 코드가 길어질 때 어떤 결과를 함께 측정해야 할까?
33쪽33:12바뀌는 에이전트와 갱신 방법을 어떻게 구별할까?
34쪽33:51수정안을 만드는 데 기존 코드와 실행 결과가 어떻게 쓰일까?
35쪽34:35수정하는 역할을 고정하면 무엇이 달라질까?

시간 링크는 해당 논점을 설명하는 발화로 이동한다. NTU 2026년 5월 22일 강의 자료

#하편 31쪽 — 가중치를 그대로 두어도 하네스는 잊을 수 있다

로봇 두 대 사이에 가중치와 하네스의 갱신식을 위아래로 놓았고, 하네스 식 끝에는 빨간 물음표가 있다.
하편 31쪽 · 가중치를 바꿀 때와 하네스를 고칠 때, 기존 능력이 사라질 수 있는 두 경로.Hung-yi Lee / NTU ML 2026 · 원본 자료

검사 카메라가 같은 이미지를 보고 같은 결함 확률을 내놓는데, 어제까지 찾던 흠집을 오늘은 놓친다면 어디를 살펴봐야 할까? 예를 들어 반사광 오탐을 줄이려고 검사 프로그램에 “두 프레임 연속으로 감지될 때만 경보”라는 규칙을 넣었다고 하자. 화면에 한 프레임만 나타나는 가는 흠집은 분류기를 통과해도 새 규칙에서 걸러진다. 이 예에서 바뀐 곳은 모델 가중치가 아니라 예측을 경보로 바꾸는 하네스(harness)다.

보충 자료
하네스의 다섯 역할을 문맥, 제어, 행동, 평가, 진화로 나눈 MIT 강의 그림이다.
MIT MAS.S62 4강, 6쪽 · 모델의 출력을 둘러싼 코드에서 도구 호출과 검증을 어디에 두는지 살펴보자.Paul Liang / MIT MAS.S62 · 원본 자료

MIT의 하네스 강의 6쪽은 모델 주위 코드가 맡는 일을 문맥(context), 제어(control), 행동(action), 평가(evaluation), 진화(evolution)로 나눈다. 검사 예로 돌아가면 직전 프레임의 점수는 문맥, 두 프레임을 기다리는 분기는 제어, 경보 전송은 행동이다. 정답표와 경보를 대조해 어떤 흠집을 놓쳤는지 확인하는 절차가 평가, 그 결과로 규칙을 수정하는 절차가 진화다. 같은 결함 점수를 받아도 제어 한 줄이 달라지면 최종 경보와 평가 결과가 함께 달라진다. MIT, Harness Evolution 6쪽

슬라이드 위쪽 식은 손실 기울기의 반대 방향으로 가중치 θ를 옮기며, 학습률 η가 보폭을 정한다. 아래쪽은 하네스 h에도 같은 모양의 식을 적고 빨간 물음표를 붙인다. 검증 단계를 추가하거나 도구 호출 순서를 바꿀 때 코드 조각에 대한 보통의 미분은 정의되어 있지 않다. 후보 하네스를 실제로 실행하고, 기존 과제와 새 과제에서 무엇이 바뀌었는지 측정할 수는 있다. Yu 등의 연구는 이처럼 워크플로·도구 및 스킬·가중치·메모리처럼 바뀔 수 있는 대상을 능력 상태 R로 통칭한다. NTU 원본 31쪽 · Yu 등, §2 및 §3.3

#식 풀이 1. 순감소가 5건이면 몇 건을 잊었을까?

같은 정답표가 있는 검사 클립 100개에서 기존 판정과 개정 판정을 짝지어 보자. 두 버전에서 모두 맞힌 클립이 72개, 기존 버전만 맞힌 클립이 8개, 개정 버전만 맞힌 클립이 3개, 둘 다 틀린 클립이 17개라고 가정한다. 긴 반사광과 짧은 흠집이 함께 있는 상황을 설명하기 위한 가상 데이터다.

Sbefore=72+8100=80%,Safter=72+3100=75%.\begin{aligned}S_{\mathrm{before}}&=\frac{72+8}{100}=80\%,\\S_{\mathrm{after}}&=\frac{72+3}{100}=75\%.\end{aligned}
ΔS=3−8100=−0.05,rlost=872+8=10%.\begin{aligned}\Delta S&=\frac{3-8}{100}=-0.05,\\r_{\mathrm{lost}}&=\frac{8}{72+8}=10\%.\end{aligned}

성공률은 5%p 떨어졌지만 기존에 맞히던 사례를 잃은 횟수는 8건이다. 새로 맞히게 된 3건이 총점에서 손실 일부를 상쇄했다. 기존 정답 80건 중 그대로 맞힌 비율은 72/80 = 90%다. 최종 점수를 초기 점수로 나눈 75/80 = 93.75%에는 새로 맞힌 3건도 들어간다. 같은 클립을 전후로 대응시켰기 때문에 두 값을 구별할 수 있다.

#하편 32쪽 — 코드 길이, 성공률, 유지율의 분모를 읽는다

왼쪽은 항공 워크플로의 코드 줄 수, 오른쪽은 복잡 과제 성능과 간단 과제 유지비를 함께 표시한다.
하편 32쪽 · 왼쪽의 코드 증가, 오른쪽의 새 과제 성능과 옛 과제 유지율은 서로 다른 측정값이다.Hung-yi Lee / NTU ML 2026 · 원본 자료

Yu 등은 τ²-Bench의 항공·소매·통신 환경에서 간단 과제로 만든 같은 초기 워크플로를 두 갈래로 나눴다. 두 갈래 모두 복잡 과제에서 나온 실패 기록을 받고 같은 수정 예산으로 워크플로를 고친다. 일반 진화(vanilla)는 실패 기록을 바탕으로 자유롭게 고치고, 능력 보존 진화(Capability-Preserving Evolution, CPE)는 초기 워크플로에서 추출한 목표·출력 제약·실패 방지 행동을 편집기에 함께 준다. 논문의 구현은 복잡 과제의 앞 20%를 진화에 쓰고 나머지 80%를 평가에 남긴다. 과거 능력은 간단 과제 전체에서 다시 평가한다. Yu 등, 그림 2·표 1 · 부록 C.2 및 표 9

왼쪽 그림은 항공의 복잡 과제에서 고친 워크플로의 코드 줄 수다. 첫 수정 뒤 일반 진화의 줄 수는 시작점 대비 약 35%, CPE는 약 9% 늘었다. 두 수치는 첫 라운드의 증가율이다. 논문의 그림 2(a)에서는 늘어난 검증 절차가 원인 하나를 보여 준다. 복잡한 요청에서 잘못된 중간 출력을 막던 점검이, 간단한 요청의 의미상 타당한 행동까지 거부하면 복구 가능한 실행을 일찍 끝낼 수 있다. 줄 수만으로 어떤 동작이 사라졌는지 알 수는 없으므로 오른쪽 결과와 함께 읽는다. NTU 원본 32쪽 · Yu 등, 그림 2(a–c)

#식 풀이 2. 간단 과제 성공률 52.8%는 어떻게 계산했을까?

보충 자료
GPT-5.1 조건의 일반 진화와 CPE를 비교한다. 간단 과제 성공률은 41.8%와 52.8%, 복잡 과제에서는 23.9%와 33.4%다.
Yu 외 표 1의 GPT-5.1 결과를 다시 그렸다. 두 조건은 같은 초기 워크플로에서 출발한다.Ye Yu et al. / CC BY 4.0 · 원본 자료

표 1에서 GPT-5.1 조건의 간단 과제 성공률을 항공, 소매, 통신 순서로 읽자. 각 영역을 똑같이 한 표로 세는 매크로 평균(macro average)이다. 아래 계산은 논문이 제시한 각 영역의 백분율을 사용한다.

Ssimple,V=57.1+43.3+25.03=41.8%,Ssimple,C=64.3+56.7+37.53≃52.8%.\begin{aligned}S_{\mathrm{simple,V}}&=\frac{57.1+43.3+25.0}{3}=41.8\%,\\S_{\mathrm{simple,C}}&=\frac{64.3+56.7+37.5}{3}\simeq52.8\%.\end{aligned}
Scomplex,V=37.5+20.3+14.03≃23.9%,Scomplex,C=37.5+45.3+17.53≃33.4%.\begin{aligned}S_{\mathrm{complex,V}}&=\frac{37.5+20.3+14.0}{3}\simeq23.9\%,\\S_{\mathrm{complex,C}}&=\frac{37.5+45.3+17.5}{3}\simeq33.4\%.\end{aligned}

같은 초기 워크플로에서 출발한 최종 버전끼리 비교하면 CPE가 간단 과제에서 52.8 − 41.8 = 11.0%p, 복잡 과제에서 33.4 − 23.9 = 9.5%p 높다. 복잡 과제의 차이 대부분은 소매에서 나왔다(20.3% → 45.3%). 항공의 두 버전은 37.5%로 같다. 세 영역의 문항 수가 다르므로 전체 정답 건수를 전체 문항 수로 나누면 다른 평균을 얻게 된다. Yu 등, 표 1 · 영역별 문항 수, 표 5

#식 풀이 3. 같은 CPE가 오른쪽 그림에서는 왜 약 82%일까?

가로축은 복잡 과제의 최종 성공률이고, 세로축은 각 영역의 초기 간단 과제 성공률을 기준으로 얼마나 유지했는지를 나타낸다. 부록 그림 7(a)의 GPT-5.1 초기값은 항공 71.4%, 소매 76.7%, 통신 45.8%다. 영역별로 최종값을 초기값으로 나누고 세 비율의 평균을 내면 그림 2(c)의 높이를 재현할 수 있다. 아래는 논문에 반올림해 표시된 수치로 검산한 값이다.

RV=13(57.171.4+43.376.7+25.045.8)≃0.637.R_{\mathrm{V}}=\frac{1}{3}\left(\frac{57.1}{71.4}+\frac{43.3}{76.7}+\frac{25.0}{45.8}\right)\simeq0.637.
RC=13(64.371.4+56.776.7+37.545.8)≃0.820.R_{\mathrm{C}}=\frac{1}{3}\left(\frac{64.3}{71.4}+\frac{56.7}{76.7}+\frac{37.5}{45.8}\right)\simeq0.820.

그래서 GPT-5.1의 점은 대략 (23.9%, 64%)에서 (33.4%, 82%)로 이동한다. CPE가 초기의 간단 과제 성능 일부를 잃었어도 같은 복잡 과제 적응을 거친 일반 진화보다 더 많이 지켰다는 뜻이다. 이 유지율은 과제별 전후 정답을 짝지은 수치가 아니므로 예전 정답 중 정확히 몇 개를 지켰는지까지 알려주지는 않는다. 다른 모델의 이름은 그림 2(c)에 ‘mini’, 표 1과 부록 그림 7에 ‘nano’로 적혀 있어 이 계산은 표기가 일치하는 GPT-5.1에 한했다. Yu 등, 그림 2(c) · 초기값과 최종값, 부록 그림 7(a)

#하편 33쪽 — 여러 세대의 로봇 아래에 왜 렌치가 하나일까?

서로 다른 세대의 파란 로봇 아래에 큰 괄호와 렌치를 든 로봇 하나가 그려져 있다.
하편 33쪽 · 에이전트의 여러 세대를 만드는 개선 모듈을 아래에 표시했다.Hung-yi Lee / NTU ML 2026 · 원본 자료

로봇의 머리와 장비는 왼쪽에서 오른쪽으로 바뀐다. 그런데 그림 아래에서 여러 세대를 한데 묶는 괄호에는 렌치를 든 로봇이 하나 있다. 윗줄은 과제를 수행하는 에이전트의 버전이고, 아랫줄은 다음 버전을 만드는 방법이다. 카메라 검사에서도 검사를 수행하는 순서와, 지난 검사의 실패를 보고 그 순서를 수정하는 방법을 따로 적을 수 있다. NTU 강의 33:12

#식 풀이 4. 같은 개선 규칙으로 몇 번의 수정이 남을까?

현재 하네스를 hₜ, 검사할 때 남긴 실행 기록을 rₜ, 수정안을 만드는 규칙을 U라고 쓰자. 아래는 제안과 채택을 구분하기 위한 가상 실험이다. U는 매번 같은 지시로 기록을 읽고 한 군데를 고친다. 후보가 검증용 이미지 20장에서 맞힌 개수를 S로 센다. 기존 버전보다 많이 맞혀야 후보를 채택한다.

h~t+1=U(ht,rt),S(h)=∑i=1201[y^i(h)=yi]\tilde h_{t+1}=U(h_t,r_t),\qquad S(h)=\sum_{i=1}^{20}\mathbf 1[\hat y_i(h)=y_i]

대괄호 안이 참이면 1, 거짓이면 0을 더한다. 시작 버전은 13장을 맞혔다. 첫 제안은 어두운 프레임에서만 두 번째 노출을 확인한다. 15장을 맞혀 채택된다. 두 번째 제안은 모든 프레임에서 추가 노출을 요구한다. 14장을 맞혔다. 비교 기준은 최초의 13장이 아니라 현재 사용 중인 버전의 15장이다.

단계현재 버전 정답새 후보 정답다음 단계가 시작하는 정답 수
첫 수정131515
둘째 수정151415
(15−13)/20=0.10,(14−15)/20=−0.05(15-13)/20=0.10,\qquad (14-15)/20=-0.05

첫 수정은 검증 성공률을 10%p 높였다. 둘째 후보는 현재 버전보다 5%p 낮아 보관만 한다. 제안 2회, 채택 1회, 개선 규칙 수정 0회다. 같은 20장을 반복해서 보고 선택했으므로, 최종 버전이 새 카메라에서도 나아졌는지는 선택에 쓰지 않은 이미지로 확인해야 한다. 이 채택 규칙은 예제의 설정이다. 뒤에 나오는 DGM은 여러 갈래의 후보를 아카이브에 남긴다.

#보충 논문 · 설계 기록은 쌓이고 설계자는 그대로인 경우

보충 자료
메타 에이전트가 아카이브를 읽고 새 후보를 설계하면, 평가 결과가 다시 아카이브에 들어간다.
Hu 외 그림 1 상단 · Meta Agent Search가 후보의 설계와 검증 결과를 다음 회차에 전달하는 과정.Shengran Hu et al. / CC BY 4.0 · 원본 자료

Hu 등의 Meta Agent Search 그림을 왼쪽에서 읽어 보자. 설계자(meta-agent)가 이전 설계와 검증 점수가 담긴 아카이브를 읽고 새 에이전트 코드를 제안한다. 새 설계를 검증하면 그 코드와 점수가 다시 아카이브에 들어간다. 다음 제안에 들어가는 정보는 더 풍부해진다. 바깥 설계 절차를 매번 새로 쓰지 않아도 후보들이 달라질 수 있는 이유다. 카메라 사례라면 ‘모든 프레임을 다시 촬영’한 시도의 점수와 실패 기록도 다음 제안의 근거가 된다. Hu 외, ADAS, 그림 1

#하편 34쪽 — 같은 손실값을 보고도 무엇을 고쳐야 할지 알 수 있을까?

위쪽은 하네스를 바꾼 두 로봇, 아래쪽은 기존 하네스와 손실을 받아 수정안을 내는 과정이다.
하편 34쪽 · 위쪽 갱신 화살표 하나를 아래쪽에서 입력과 출력으로 펼쳐 보인다.Hung-yi Lee / NTU ML 2026 · 원본 자료

윗줄에서는 하네스 h가 바뀐 결과로 로봇에 도구가 더 붙는다. 아랫줄은 그 한 번의 수정을 펼친 그림이다. 현재 하네스 h와 그 하네스로 움직인 에이전트 Aₕ의 손실 L(Aₕ)가 왼쪽에 들어가고, 오른쪽에서 수정안 h′가 나온다. 강사는 코드를 벤치마크에서 실행한 정보도 함께 볼 수 있다고 설명한다. 손실은 실패의 양을 알려 주고, 기록은 어느 단계에서 실패했는지 보여 준다. NTU 강의 34:08

예를 들어 사진 20장 중 3장에서 판정에 실패하면 실패율은 15%다. 한 버전의 로그에는 ‘재촬영 시간이 끝남’이 세 번 찍혔고, 다른 버전에는 ‘결과에서 부품 번호 누락’이 세 번 찍혔다. 첫 버전에서는 재촬영 조건을, 둘째 버전에서는 출력 필드 검사를 살펴본다. 숫자 0.15 하나로는 둘 중 어디를 고칠지 정할 수 없다.

#식 풀이 5. 재검사를 넣은 후보는 언제 더 유리할까?

가상 검사 라인에서 단순 프레임과 복잡 프레임을 따로 검사하자. 단순 프레임 100장에서는 원래 절차 A가 90장, 재검사를 추가한 B가 84장을 맞힌다. 복잡 프레임 100장에서는 A가 40장, B가 58장을 맞힌다. 다음에 들어올 프레임 중 복잡한 것의 비율을 w라고 하자. 오류 한 건의 비용은 두 유형에서 같다고 둔다. 유형별 성공률에 운영 비율을 곱해 더하면 예상 성공률이 나온다.

SA(w)=(1−w)0.90+w(0.40)=0.90−0.50wS_A(w)=(1-w)0.90+w(0.40)=0.90-0.50w
SB(w)=(1−w)0.84+w(0.58)=0.84−0.26wS_B(w)=(1-w)0.84+w(0.58)=0.84-0.26w

B를 채택해서 얻는 차이는 아래처럼 정리된다. 단순 프레임에서는 6%p를 잃고 복잡 프레임에서는 18%p를 얻으므로, 두 절차가 같아지는 지점이 생긴다.

SB−SA=−0.06+0.24w,w∗=0.06/0.24=0.25S_B-S_A=-0.06+0.24w,\qquad w_* = 0.06/0.24=0.25

복잡 프레임이 10%면 A는 85%, B는 81.4%다. 50%면 A는 65%, B는 71%다. 검증 묶음을 절반씩 구성했을 때의 우승 후보 B를 복잡 프레임이 드문 라인에 그대로 올리면 정답률이 떨어진다. 하네스의 효과를 판단하려면 손실을 잰 과제의 구성도 함께 알아야 한다.

#보충 강의 · 실행 시간을 평가기로 쓰는 경우

MIT의 Paul Liang은 AlphaEvolve를 설명하며 사람이 과제와 평가 기준을 지정한 뒤, 평가기가 후보 프로그램을 실행해 시간을 재는 예를 든다. 프롬프트·후보 코드·점수를 보관하면 다음 제안이 과거 시도를 참고할 수 있다. 카메라 예제에서도 15%라는 실패율 옆에 시간 초과가 난 프레임을 남겨야 재촬영 단계로 돌아갈 수 있다. 여기서 공통점은 수정안이 실제로 실행된 뒤 다음 제안에 피드백이 들어간다는 구조다. MIT 강의 슬라이드 55쪽 · 실행 시간과 기록을 설명하는 1:08:16

#하편 35쪽 — 검사하는 에이전트와 고치는 에이전트를 나눠 보자

위쪽 두 파란 에이전트에 주황색 렌치가 붙어 있다. 아래에서는 편집자와 수정 대상이 서로 다른 위치에 있다.
하편 35쪽 · 코드를 실행하는 역할과 코드를 편집하는 역할을 따로 따라갈 수 있다.Hung-yi Lee / NTU ML 2026 · 원본 자료

34쪽의 아랫줄에서 수정안을 내던 자리에 이번에는 주황색 렌치 로봇이 들어선다. 왼쪽의 파란 로봇은 수정 대상, 주황 로봇은 편집자다. 윗줄에서는 수정 전후의 파란 로봇 아래에 같은 모양의 렌치가 달려 있다. 파란 로봇이 더 좋은 결과를 냈다는 관찰만으로, 렌치까지 더 좋은 수정안을 내게 됐다고 판단할 수 있을까? 편집자를 최초 버전에 묶어 두는 비교 실험이 이 질문에 도움이 된다. NTU 강의 34:35

Zhang 등의 Darwin Gödel Machine(DGM)은 기반 언어 모델의 가중치를 고정하고 에이전트 코드를 바꾼다. 선택된 에이전트는 자신의 코드베이스를 고치므로, 이번에 개선한 코드 편집 도구를 다음 수정에도 사용할 수 있다. 한편 아카이브에서 부모를 고르는 절차와 평가 체계는 연구자가 정했다. 논문의 ‘편집자 고정’ 비교군에서는 여러 후보를 계속 만들어도 수정에 쓰는 에이전트는 항상 최초 버전이다. DGM, §3–4.3

보충 자료
DGM의 SWE-bench 탐색에서 아카이브 최고, 기본 편집이 가능한 후보들의 평균, 최종 에이전트의 계보가 서로 다른 선을 그린다.
Zhang 외 그림 3 오른쪽 · 최고 기록과 평균, 최종 계보의 개별 점수를 나누어 읽는다.Jenny Zhang et al. / CC BY 4.0 · 원본 자료

그림 3의 오른쪽에는 세 선이 있다. 파란 선은 각 반복까지 아카이브에서 기록한 최고 점수다. 연한 파란 선은 기본 코드 편집 기능을 보유한 에이전트들의 평균 점수다. 짙은 선은 최종 최고 성능 에이전트와 그 조상을 사후에 거슬러 올라간 한 계보이며, 중간에 두 번 하락한다. 최고 기록이 유지되는 동안에도 평균은 내려갈 수 있다. 낮은 점수를 거친 조상이 계보에 남았다고 해서 모든 낮은 점수의 후보가 유용하다는 뜻도 아니다. DGM, 그림 3

#식 풀이 6. 편집자를 고정하면 어떤 수치가 달라질까?

다음 두 줄은 논문의 SWE-bench 실험에서 가져왔다. 첫 줄은 논문이 평가한 SWE-bench 부분집합의 문제를 세고, 둘째 줄은 이 실험에서 생성된 에이전트를 센다. 먼저 분모를 읽고 같은 줄 안에서 두 조건을 빼 보자. DGM, 부록 표 1 · 부록 표 2

무엇을 셌는가편집자를 최초 버전에 고정전체 DGM
SWE-bench 평가 부분집합의 문제 해결률39.0%50.0%
생성된 에이전트 중 기본 코드 편집 기능이 있는 비율32.5%51.3%
Δsolve=50.0%−39.0%=11.0 pp\Delta_{\mathrm{solve}}=50.0\%-39.0\%=11.0\,\mathrm{pp}
Δedit=51.3%−32.5%=18.8 pp\Delta_{\mathrm{edit}}=51.3\%-32.5\%=18.8\,\mathrm{pp}

두 줄에서 전체 DGM의 수치가 높다. 첫 차이는 사용자가 맡긴 문제를 푼 결과, 둘째 차이는 다음 수정에 쓸 수 있는 기본 편집 기능을 보유한 후보의 비율이다. 18.8%p를 11.0%p에 더할 수 없는 이유가 여기에 있다. 또 기본 편집 기능이 있다는 판정은 좋은 수정안을 낼 확률을 직접 측정한 값과 다르다. 두 결과는 이 벤치마크와 주어진 실험 예산에서 해석해야 한다.

검사 라인으로 돌아가 보자. 새 하네스가 단순 프레임의 판정을 지켰는지는 같은 옛 프레임을 다시 검사해 안다. 수정하는 방법까지 좋아졌는지는 같은 출발 버전과 예산을 주고 각 편집자가 만든 후보들을 비교해야 안다. 36쪽은 여기서 한 걸음 더 들어간다. 지금까지 고정해 둔 주황색 렌치 자체를 누가 어떻게 바꿀 수 있을까? 다음 원본 슬라이드 36쪽

Yu, Hu, Zhang 연구팀 그림의 원출처와 편집 범위는 각 그림 아래에 표시했다. 세 논문 그림의 이용 조건

Connect