엔비디아가 기업이 특정 업무에 특화된 AI 에이전트를 만들 때 강화학습(RL)을 언제, 어떻게 적용해야 하는지 정리한 실전 가이드를 자사 기술 블로그를 통해 공개했다. 이 가이드는 오픈AI가 대규모 강화학습으로 훈련한 o시리즈 모델이나 딥시크의 추론 모델 딥시크-R1이 그룹상대정책최적화(GRPO)와 검증 가능한 보상 방식으로 수학·코드·추론 능력을 끌어올린 사례를 언급하며, 이제 강화학습이 프런티어 연구소를 넘어 기업이 도메인별 업무 정확도를 높이는 실용적 기법으로 자리잡고 있다고 설명했다. 엔비디아는 자사의 오픈소스 모델 네모트론3 슈퍼가 21개의 검증 환경과 37개 데이터셋에 걸쳐 약 120만 건의 시뮬레이션 롤아웃을 거쳐 후속 훈련됐다고 밝혔다.
가이드는 프롬프트 엔지니어링이나 검색증강생성(RAG), 도구 연동만으로는 한계가 있는 상황을 짚었다. 에이전트가 같은 도구 호출 실수를 반복하거나, 긴 작업 흐름에서 실패하거나, 출력 형식을 잘못 맞추거나, 잘못된 전략을 고르는 경우에는 모델 자체의 행동을 바꾸는 훈련 신호가 필요하며 이때 강화학습이 필요하다고 설명한다. 어떤 기법을 쓸지는 목표 행동과 측정 방법에 따라 갈린다. 모델이 형식을 못 따르면 지도미세조정(SFT)을, 선호도 데이터가 있으면 직접선호최적화(DPO)를, 정답 여부를 알고리즘으로 검증할 수 있으면 검증가능보상 강화학습(RLVR)과 GRPO 조합을, 사람의 미묘한 선호를 반영해야 하면 인간피드백 강화학습(RLHF)을 권장했다. 특히 GRPO는 하나의 프롬프트에 여러 응답을 생성해 검증기로 채점한 뒤 그룹 내 상대 성능으로 모델을 업데이트하는 방식으로, PPO 기반 RLHF보다 구조가 단순해 검증 가능한 작업에 기본값으로 자리잡고 있다고 소개했다.
실제 훈련 절차도 구체적으로 안내했다. 먼저 자동으로 평가할 수 있는 행동 하나를 정하고, 기준 모델로 베이스라인 평가를 돌려 실패 유형을 분류한 뒤, 형식을 못 따르면 SFT부터 시작하고 가끔 성공하지만 일관성이 없으면 GRPO로 넘어가라고 권했다. 보상 함수는 단순하고 결정적인 형태로 시작해, 실제 배포 전 50~100개 모델 출력에 대해 사람이 직접 점수를 매겨보고 보상 함수와 판단이 어긋나면 보상 함수부터 고치라고 조언했다. 소형 어댑터 기반 실험은 단일 GPU에서도 시작할 수 있지만, 대형 모델이나 긴 문맥, 다단계 에이전트 환경은 다중 GPU가 필요하다고 덧붙였다.
엔비디아는 이 가이드가 네모트론 나노9B v2 모델을 GRPO로 훈련해 프로젝트 관리 업무의 도구 호출 능력을 개선하는 튜토리얼과 함께 제공되며, 네모 RL(NeMo RL)과 네모 짐(NeMo Gym) 등 자체 오픈소스 도구로 검증 환경 구축부터 롤아웃, 평가까지 전체 과정을 지원한다고 밝혔다. 실제 운영에서는 프로덕션에서 발생한 실패 사례를 회귀 테스트로 전환하고, 실패 유형을 도구 선택 오류·계획 오류·안전하지 않은 행동 등으로 분류해 가장 가벼운 해결책부터 순서대로 적용하는 지속적 개선 루프를 권장했다. 엔비디아는 이러한 방식이 프로덕션 실패가 평가로, 평가가 훈련 환경으로, 훈련 환경이 다시 개선된 모델로 이어지는 에이전트 플라이휠을 만든다고 설명했다.
