마지막 업데이트:
Han Fang은 Meta Superintelligence Labs의 인공지능 연구원으로, 재귀적 자기 개선 및 에이전트 연구를 담당하고 있습니다. 그는 Muse Spark를 포함한 Meta의 Muse 모델에서 에이전트 능력의 핵심 기여자이며, 이전에는 Meta AI의 프로덕션 사후 학습(post-training) 팀을 창설했습니다.[1][2]
Fang은 2017년 스토니브룩 대학교에서 응용수학 및 통계학 박사 학위를 취득했습니다.
그의 박사 학위 논문인 “대규모 유전체 데이터를 위한 그래픽 및 머신러닝 알고리즘(Graphical and Machine Learning Algorithms for Large-scale Genomics Data)”은 2017년 5월 응용수학 및 통계학과의 최우수 논문상인 Woo-Jong Kim Dissertation Award를 수상했습니다.
그는 또한 2017년 4월 학과의 연구 우수상(Excellence in Research Award)을 받았으며, 대학교의 박사 졸업생 451명 중 5명에게만 수여되는 총장상(President’s Award to Distinguished Doctoral Students)을 받았습니다.[1][2]
박사 과정 지도 교수인 Mike Schatz가 존스 홉킨스 대학교로 자리를 옮긴 후, Fang은 2016~2017년에 그곳에서 컴퓨터 과학 방문 대학원생으로 있었습니다.
그는 2013년 스토니브룩에서 응용수학 및 통계학 석사 학위를, 2011년 중산 대학교(Sun Yat-sen University)에서 광학 물리학 학사 학위를 받았습니다.
그 외의 수상 경력으로는 우수 학생 장학금 및 중산 대학교 장학금, 2015년 미국 인류 유전학회(American Society of Human Genetics)의 Reviewers’ Choice 상, 2015년 워싱턴 대학교 빅데이터 통계 여름 연구소(Summer Institute in Statistics for Big Data) 장학금 등이 있습니다.[1]
Meta에서 Fang의 업무는 자신의 능력을 스스로 향상시킬 수 있는 에이전트에 대한 연구를 포함합니다. 그는 Muse Spark를 Meta의 기초 AI 연구(FAIR) 조직의 연구 수단으로 설명하며, 에이전트의 도구 사용 기능에 기여했다고 밝혔습니다.
2026년 7월, 그는 Muse Spark가 MCP-Atlas에서 최고 수준(state-of-the-art)의 결과를 달성하고 Toolathlon에서 프런티어 성능을 기록했다고 보고했습니다. 또한 에이전트가 자신의 능력을 자동으로 향상시키는 "힐 클라이밍(hill-climb)" 개발을 기억에 남는 결과로 꼽았습니다.[1]
Fang의 개인 웹사이트는 모델의 에이전트 능력을 재귀적으로 향상시키는 자기 개선 에이전트에 대해 설명하며, MCP-Atlas, Toolathlon 및 Automation Bench에서 최고 수준의 성능을 보고하고 있습니다. 또한 그를 Muse Spark, Wonder, Open, Glimmer 전반에 걸친 에이전트 능력의 기여자로 명시하고 있습니다.[2]
해당 사이트는 Muse Spark Open을 에이전트 능력을 갖춘 공개 가중치(open-weight) 모델로 설명하며, 팀이 Muse Spark의 에이전트 능력을 기반으로 한 Muse를 출시했다고 언급합니다.[2]
2026년 10월, Fang은 Muse Glimmer에 대한 기술 보고서를 공유하며 이를 작고 민첩하며 다재다능한 모델로 설명했습니다. Meta AI는 Muse Glimmer를 소비자용 하드웨어에서 에이전트 작업을 수행할 수 있는 300억 개의 파라미터를 가진 공개 가중치 모델로 소개했으며, 단일 소비자용 GPU를 장착한 Mac이나 PC에서 4비트 정밀도로 실용적인 속도로 실행 가능하다고 밝혔습니다. Meta는 이 모델이 도구 사용 면에서 비슷한 규모의 공개 모델들을 앞선다고 발표했습니다.[3]
2023년부터 2025년 1월까지 Fang은 Meta의 시니어 스태프 연구 과학자이자 기술 리드였습니다. 그는 Meta AI의 프로덕션 사후 학습 팀을 창설하고 Llama 2 및 Llama 3의 프로덕션 사후 학습을 이끌었습니다. 그는 2023년에 Meta AI를 출시하고 월간 활성 사용자 수 10억 명 규모로 확장하는 데 기여했으며, 통합 학습 실행, 핵심 능력, 도구 사용 및 데이터 플라이휠 작업을 수행했다고 밝혔습니다.[1][2]
2019년 10월부터 2023년 1월까지 Fang은 Facebook AI의 스태프 연구 과학자이자 기술 리드로서, 최고 기술 책임자(CTO)의 멀티모달 및 다국어 콘텐츠 이해에 관한 특별 프로젝트를 이끌었습니다. 그는 정책과 콘텐츠 이해를 강화 학습 기반 모델 최적화 도구와 결합한 Meta 최초의 Few-shot Learner 모델을 개발했습니다. 또한 매일 수십억 개의 콘텐츠를 분석하는 효율적인 트랜스포머 아키텍처인 Linformer를 개발했습니다.[1]
Fang은 2017년부터 2019년까지 Facebook AI의 시니어 연구 과학자로 근무했습니다. 또한 2016년 여름에는 Facebook 데이터 과학자 인턴으로 활동했습니다.[1]
2014년부터 2017년까지 Fang은 스토니브룩 대학교와의 공동 프로그램을 통해 콜드 스프링 하버 연구소(Cold Spring Harbor Laboratory)에서 연구 조교 및 상주 박사 과정 학생으로 있었습니다. 그의 연구에는 대규모 유전체 데이터를 위한 그래픽 및 머신러닝 알고리즘 개발이 포함되었습니다. 2013년부터 2014년까지 콜드 스프링 하버 연구소에서 차세대 염기서열 분석(NGS) 데이터 분석을 위한 알고리즘과 계산 방법을 개발했습니다.[1]
Fang의 연구는 희귀 질환, 유전적 연관성 및 역학, 유전적 변이, 염색체 이상, 계통 발생학 및 조현병을 다루었습니다.
그는 2019년부터 2024년까지 워싱턴 대학교 데이터 과학 프로그램의 산업 자문 위원회 위원으로 활동했습니다.[1]
Fang의 초기 출판물에는 유전적 연관성을 위한 통계적 방법과 염기서열 데이터 분석에 관한 연구가 포함됩니다. Wei Pan과 함께 2010년에 “A Data-Adaptive Sum Test for Disease Association with Multiple Common or Rare Variants” 및 _“Powerful multi-marker association tests: unifying genomic distance-based regression and logistic regression”_을 공동 집필했습니다.
이후의 유전체학 출판물로는 “Reducing INDEL calling errors in whole genome and exome sequencing data” (2014), “Accurate de novo and transmitted indel detection in exome-capture data using microassembly” (2014), “Indel variant analysis of short-read sequencing data with Scalpel” (2016), “GenomeScope: fast reference-free genome profiling from short reads” (2017), “Scikit-ribo Enables Accurate Estimation and Robust Modeling of Translation Dynamics at Codon Resolution” (2018), 그리고 “Accurate detection of complex structural variations using single-molecule sequencing” (2018) 등이 있습니다.[1]
그의 AI 관련 출판물로는 “Linformer: Self-attention with linear complexity” (2020), “Entailment as few-shot learner” (2021), “The Perfect Blend: Redefining RLHF with Mixture of Judges” (2024), 그리고 “Multi-IF: Benchmarking LLMs on Multi-Turn and Multilingual Instructions Following” (2024)이 있습니다.[1]
최근 작업물로는 2025년 ICML에서 발표된 “Think Smarter not Harder: Adaptive Reasoning with Inference Aware Optimization”, 2026년 arXiv 논문으로 등재된 “Autodata: An Agentic Data Scientist to Create High Quality Synthetic Data”, 그리고 ICML 2026에 등재된 “Generalized Parallel Scaling with Interdependent Generations”가 있습니다.[2]
Fang의 웹사이트에는 지능을 경험의 일반화로의 압축으로 규정하는 “The Central Dogma of Artificial Intelligence”, Pokémon Red를 사용하여 에이전트-환경 루프, 관찰 공간, 보상 설계 및 신용 할당을 논의하는 “The RL Environment Field Guide”, 그리고 지도 미세 조정(SFT), 인간 피드백 기반 강화 학습(RLHF), 보상 모델 및 구현을 다루는 “Post-training 101: A Hitchhiker’s Guide”도 게시되어 있습니다.[2]