참고하고 감사하는 연구

Gooo는 프로그램 합성, 학습을 이용한 탐색, 출처 기록과 저비용 추론 연구를 참고하며 발전하고 있습니다. 각 연구에서 얻는 아이디어와 Gooo에서 구현·측정하는 부분을 연결해 소개합니다.

2026-10-03 최근 자료와 다음 작은 기능에서는 Laya·LAVOIR·OpenAI·Meta와 커뮤니티의 최근 자료를 바탕으로, 학습량을 늘리기 전에 기존 후보를 잘 구분하는 관측 입력을 고르는 구현을 소개합니다.

부분 프로그램을 채우기: SKETCH

Solar-Lezama 외의 Combinatorial Sketching for Finite Programs(2006)는 부분 프로그램과 명세를 함께 두고 빈 부분을 합성하는 접근을 제시합니다. Gooo에서는 선언된 조립 공간과 입출력 예시를 함께 두는 방식, 그리고 그 공간을 언어가 어떻게 표현할지 생각하는 출발점입니다. 논문.

학습으로 탐색을 돕기: DeepCoder

Balog 외의 DeepCoder: Learning to Write Programs(2016/2017)는 입출력 예시에서 프로그램의 성질을 예측하고 이를 탐색에 활용합니다. 작은 예측이 전체 프로그램 탐색의 비용을 얼마나 줄이는가라는 질문을 Gooo의 추가 후보 수·호출 수·지연 시간 비교로 이어가고 있습니다. 논문.

언어와 배운 조립법의 성장: DreamCoder

Ellis 외의 DreamCoder는 프로그램 탐색을 돕는 신경망과 재사용 가능한 기호적 추상화를 함께 학습합니다. 성공한 조립 구조를 언어의 구성으로 축적하고 새로운 과제에 재사용하는 방향에 영감을 줍니다. Gooo의 현재 구현은 명시된 유한 후보를 조립하며, 재사용 가능한 추상화의 학습은 후속 연구 과제입니다. 논문.

구조화된 선택 인터페이스: Laya

ConvAI Innovations의 Laya에 상태와 선택지를 전달하는 방식으로 초기 실험을 시작했습니다. 코드 생성 경로, 실패 문맥, 언어 라우팅, 지연과 메모리를 관측하는 데 사용했습니다. 이후 모델의 역할을 Gooo의 작은 판단으로 좁혀 자체 데이터와 새로 초기화한 가중치로 학습을 이어왔습니다. 초기 Laya 실험과 현재 자체 모델을 함께 공개합니다.

최근에는 Laya의 선택 인터페이스에 더해 Joy의 분해 판단 연구를 참고해 전체 후보를 한 번에 점수 매기는 별도 소형 판단기를 학습했습니다. 16 KiB 가중치로 좁은 두 연산 조립을 다룹니다. 원본 가중치 계보와 성공·회귀·전체 비용을 모델 카드에 연결했습니다. 최근 실측.

작은 가중치와 실행 비용: BitNet b1.58

Ma 외의 The Era of 1-bit LLMs: All Large Language Models are in 1.58 Bits(2024)는 삼진 가중치 -1, 0, 1을 사용하는 연구입니다. 이를 참고해 Gooo 소형 모델에서도 PTQ와 QAT를 비교합니다. 현재 Go 실행기는 압축 가중치를 배열로 풀어 계산합니다. 파일 크기, 상주 텐서, 프로세스 RAM과 품질을 각각 측정합니다. 논문.

무엇이 어디에서 왔는가: W3C PROV-O

PROV-O(2013)는 엔티티·활동·에이전트와 파생·생성 관계를 표현하는 어휘를 제공합니다. Gooo에서는 원본 선언, 생성 작업, 모델 판단과 관측 결과의 출처를 연결하는 데 이 관점을 사용합니다. 구체적인 생성·실행 계약은 Gooo의 소스와 관측 기록에 있습니다. W3C 표준.

Gooo에서 함께 실험하는 조합

Gooo가 지향하는 것은 의도와 조립 규칙을 표현하는 언어, 작은 로컬 판단, 실패를 이용한 다음 시도, 출처가 남는 완전성 기록의 연결입니다. 언어가 다룰 수 있는 범위와 모델의 판단 품질을 함께 넓히면서, 같은 과제와 예산에서 어떤 변화가 도움이 되는지 공개합니다.

관련 연구의 결과와 Gooo의 측정은 각각의 과제·방법·환경을 따릅니다. 지금의 지표는 Gooo 내부의 조건 비교이며, 시스템 간 비교는 공통 과제와 예산을 갖춰 확장할 계획입니다.

모델과 메타프로그래밍 · 언어 방향 원문 · 문서 홈