Vision-Language Model (VLM) 에이전트가 환경을 더 잘 이해하고 행동할 수 있도록 돕는 새로운 Reinforcement Learning 프레임워크, VAGEN을 소개합니다! 기존의 VLM 에이전트들은 여러 단계로 이루어진 복잡한 작업에서 성능이 저하되는 문제가 있었는데요, 이는 환경의 상태를 완벽하게 파악하기 어렵기 때문입니다. VAGEN은 에이전트가 현재 상태를 추론하는 State Estimation과 다음 행동에 따른 변화를 예측하는 Transition Modeling을 명시적으로 학습하여, 내부적인 'world model'을 구축하도록 돕습니다. 특히 LLM-as-Judge를 활용한 WorldModeling Reward와 정교한 Bi-Level GAE 기술을 통해, 단 3B 파라미터 규모의 모델로도 GPT-5와 같은 거대 모델보다 뛰어난 성능을 보여주었습니다. 이는 단순히 모델의 크기를 키우는 것보다, 명시적인 추론 과정을 학습시키는 것이 얼마나 중요한지를 잘 보여주는 사례입니다.