LLM의 post-training 과정을 자동화하는 혁신적인 패러다임에 대해 소개해 드릴게요. 기존의 post-training은 사람이 직접 가설을 세우고, 하이퍼파라미터를 수정하며, 실험 결과를 일일이 기록하는 반복적이고 번거로운 과정을 거쳐야 했습니다. 하지만 이제는 AI 에이전트가 스스로 실험을 설계하고, 최적의 LoRA rank나 learning rate 등을 찾아내며, 성공적인 결과만 Git에 커밋하는 '자율적 연구 루프(autonomous research loop)'가 가능해졌습니다. Google의 Tunix, Gemma, 그리고 Cloud TPU를 활용하여 Supervised Fine-Tuning(SFT)과 Reinforcement Learning(GRPO) 과정을 자동화하는 `autofinetune` 프로젝트의 사례를 통해, 어떻게 AI 에이전트가 LLM 최적화 워크플로우를 혁신하고 있는지 확인해 보세요.