Claude Fable 5.2, 수동 코딩으로 MNIST 정확도 91.3% 달성

·2026.11.18 06:44

핵심 내용

Claude Fable 5.2가 1990년대 스타일 코딩으로 MNIST 정확도 91.3%를 달성했다.

1 / 14

자세히 보기

  • Claude Fable 5.2는 1990년대 스타일의 특징 탐지기와 분류기를 수동으로 코딩하여 MNIST 테스트 정확도 91.3%를 달성함
  • Adam 옵티마이저 50단계 기울기 하강과 유사한 정확도를 기록했으나 단계별 데이터 노출량은 상이함
  • 수동 템플릿, 루프 탐지기, 코너 탐지기를 활용하고 혼동 행렬 및 특징 빈도 측정을 통해 PyTorch나 기울기 피팅 없이 가중치를 조정함
  • Go 실험에서 GPT-6 Astra는 150만 파라미터 네트워크를 구축하여 소형 PPO 네트워크 대비 84% 및 81% 승률, 2050만 게임 훈련 네트워크 대비 70~79% 승률을 기록함
  • 자유 수 계산과 영향 함수 등 고전적인 Go 기법을 적용함
  • LLM은 가중치 공간에 직접 '쓰기'하는 것이 아니라 수동 설계 기법을 효과적으로 체인링하며, 특징 추출기 설계가 분류기 자체보다 정확도에 더 큰 영향을 미침

실험 제약 및 설정

  • PyTorch, 피팅, 회귀 분석 사용 금지
  • 고정된 CNN 아키텍처 사용 (MNIST 5,994개 가중치, Dogs vs Cats 24,898개 가중치)
  • NumPy, SciPy, math 라이브러리만 허용하며 최대 50단계 피드백 내에서 수식으로 가중치를 작성해야 함

성능 비교

  • Claude Fable 5.2는 MNIST에서 Opus 5.5보다 우수한 성능을 보임
  • Opus 5.5는 측정 빈도가 낮고 추측이 많아 19~23단계에서 정확도 70~74%에 그침
  • Dogs vs Cats 작업에서 Fable 5.2는 녹색 픽셀, 질감, 수직 가장자리 등 사진 속성을 탐지하여 61.6% 정확도 달성
  • Adam 500단계(55%)를 상회했으나 Adam 5,000단계(74%)에는 미달함

이 한국어 요약은 AI가 자동으로 만들었습니다. 원문의 주장과 맥락은 원문에서 확인해 주세요. 저작권은 원저작자에게 있습니다.

AI 처리 방식을 확인하거나, 요약 오류와 출처 표기 문제, 삭제 요청을 문의 · 건의로 알려주세요.