연구진이 인간 이동 패턴 생성의 한계를 극복하기 위해 MobEvolve라는 새로운 프레임워크를 개발했어요. MobEvolve는 LLM 에이전트가 휴리스틱 시스템의 내부 로직을 반복적으로 개선하여 해석 가능성과 효율성을 동시에 확보해요. 싱가포르와 몬트리올 벤치마크 테스트에서 기존 모델보다 뛰어난 성능을 보여줘요.
MobEvolve는 기존 휴리스틱 시스템을 기반으로 시작하여 LLM 에이전트가 경험 기반 진단과 실패 사례를 통해 업데이트를 제안하고, 누적된 진화 기억을 활용해 지속적으로 자체 개선돼요. 개별 경로 충실도, 인구 수준 분포 정렬, 행동 가능성 측면에서 기존 모델을 능가하는 성능을 보여줬어요.
MobEvolve는 기존 모델들이 충족하기 어려웠던 복잡한 요구 사항을 해결하며, 해석 가능성, 행동 가능성, 인구 수준 분포 정렬, 추론 효율성을 모두 만족시키는 새로운 접근 방식을 제시해요.