# Han Fang

> Han Fang은 에이전트 능력, 재귀적 자기 개선 및 머신러닝 연구로 잘 알려진 Meta Superintelligence Labs의 AI 연구 과학자입니다.

- Canonical URL: https://iq.wiki/kr/wiki/han-fang
- Categories: People in crypto
- Tags: Developer, Researcher
- Created: 2026-10-26T14:51:49.474Z
- Last updated: 2026-10-26T14:51:49.474Z
- Source: IQ.wiki — the world's largest blockchain and crypto encyclopedia (https://iq.wiki)

---

**Han Fang**은 [Meta Superintelligence Labs](https://iq.wiki/wiki/meta-superintelligence-team)의 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.[\[1\]](#cite-id-b5uwkkkw6d)​[\[2\]](#cite-id-a7xsth8xfv)​

## 경력

### Meta AI & Muse

Fang의 Meta에서의 업무에는 스스로 능력을 향상시킬 수 있는 에이전트에 대한 연구가 포함됩니다. 그는 Muse Spark를 Meta의 근본 AI 연구(Fundamental AI Research) 조직의 연구 수단으로 설명하며, 해당 모델의 에이전트적 도구 사용 기능에 기여했다고 밝혔습니다. 

2026년 7월, 그는 Muse Spark가 MCP-Atlas에서 최첨단(state-of-the-art) 결과를 달성하고 Toolathlon에서 프런티어급 성능을 기록했다고 보고했습니다. 또한 자신의 능력을 자동으로 "언덕 오르기(hill-climb)" 방식으로 향상시키는 에이전트의 개발을 기억에 남는 성과로 꼽았습니다.[\[1\]](#cite-id-b5uwkkkw6d)​

Fang의 개인 웹사이트는 모델의 에이전트 능력을 재귀적으로 향상시키는 자기 개선 에이전트에 대해 설명하며, MCP-Atlas에서 최첨단 성능을, Toolathlon 및 Automation Bench에서 프런티어급 성능을 보고하고 있습니다. 또한 그를 Muse Spark, Wonder, Open, Glimmer 전반에 걸친 에이전트 능력의 기여자로 명시하고 있습니다.[\[2\]](#cite-id-a7xsth8xfv)​

해당 사이트는 Muse Spark Open을 에이전트 능력을 갖춘 공개 가중치(open-weight) 모델로 설명하며, 팀이 Muse Spark의 에이전트 능력을 기반으로 한 Muse를 출시했다고 언급합니다.[\[2\]](#cite-id-a7xsth8xfv) 

2026년 10월, Fang은 Muse Glimmer에 대한 기술 보고서를 공유하며 이를 작고 민첩하며 다재다능한 모델로 묘사했습니다. Meta AI는 Muse Glimmer를 소비자용 하드웨어에서 에이전트 작업을 수행할 수 있는 300억 개의 파라미터를 가진 공개 가중치 모델로 설명했습니다. 이 모델은 단일 소비자용 그래픽 처리 장치(GPU)를 갖춘 Mac 또는 PC에서 4비트 정밀도로 실용적인 속도로 실행 가능하며, Meta는 이 모델이 도구 사용 면에서 비슷한 크기의 공개 모델들을 앞섰다고 밝혔습니다.[\[3\]](#cite-id-82h41mcioi)​

### Meta AI & Facebook AI

2023년부터 2025년 1월까지 Fang은 Meta의 시니어 스태프 연구 과학자(Senior Staff Research Scientist)이자 기술 리드였습니다. 그는 Meta AI의 프로덕션 사후 학습 팀을 창설하고 Llama 2 및 Llama 3의 프로덕션 사후 학습을 이끌었습니다. 그는 2023년에 Meta AI를 출시하고 이를 월간 활성 사용자 수 10억 명 규모로 확장하는 데 도움을 주었으며, 통합 학습 실행, 핵심 능력, 도구 사용 및 데이터 플라이휠 작업을 수행했다고 말했습니다.[\[1\]](#cite-id-b5uwkkkw6d)​[\[2\]](#cite-id-a7xsth8xfv)​

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 퓨샷 러너(Few-shot Learner) 모델을 개발했습니다. 또한 매일 수십억 개의 콘텐츠를 분석한다고 밝힌 Linformer 효율적 트랜스포머 아키텍처를 개발했습니다.[\[1\]](#cite-id-b5uwkkkw6d)​

Fang은 2017년부터 2019년까지 Facebook AI에서 시니어 연구 과학자로 근무했습니다. 또한 2016년 여름에는 Facebook 데이터 과학자 인턴으로 활동했습니다.[\[1\]](#cite-id-b5uwkkkw6d)​

### 유전학 연구

2014년부터 2017년까지 Fang은 Stony Brook University와의 공동 프로그램을 통해 Cold Spring Harbor Laboratory에서 연구 조교 및 상주 박사 과정 학생으로 있었습니다. 그의 연구에는 대규모 유전체 데이터를 위한 그래픽 및 머신러닝 알고리즘 개발이 포함되었습니다. 2013년부터 2014년까지 Cold Spring Harbor Laboratory에서 그는 차세대 염기서열 분석 데이터 분석을 위한 알고리즘과 계산 방법을 개발했습니다.[\[1\]](#cite-id-b5uwkkkw6d)​

Fang의 연구는 희귀 질환, 유전적 연관성 및 역학, 유전적 변이, 염색체 이상, 계통 발생학 및 조현병을 다루었습니다. 

그는 2019년부터 2024년까지 University of Washington 데이터 과학 프로그램의 산업 자문 위원회 위원으로 활동했습니다.[\[1\]](#cite-id-b5uwkkkw6d)​

## 연구 및 출판물

Fang의 초기 출판물에는 유전적 연관성을 위한 통계적 방법과 염기서열 데이터 분석에 관한 연구가 포함됩니다. 그는 Wei Pan과 함께 2010년에 발표된 _“A Data-Adaptive Sum Test for Disease Association with Multiple_ [_Common_](https://iq.wiki/wiki/common) _or Rare Variants”_ 및 _“Powerful multi-marker association tests: unifying genomic distance-based regression and logistic regression”_을 공동 저술했습니다. 

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.[\[1\]](#cite-id-b5uwkkkw6d)​

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) 등이 있습니다.[\[1\]](#cite-id-b5uwkkkw6d) 

그의 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.[\[2\]](#cite-id-a7xsth8xfv)​

Fang의 웹사이트에는 지능을 경험을 일반화로 압축하는 것으로 정의한 “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.[\[2\]](#cite-id-a7xsth8xfv)​

## 교육 및 수상

Fang은 2017년 Stony Brook University에서 응용 수학 및 통계학 박사 학위를 취득했습니다. 

그의 박사 학위 논문인 “Graphical and Machine Learning Algorithms for Large-scale Genomics Data”는 2017년 5월 해당 학과의 최우수 논문상인 Woo-Jong Kim Dissertation Award를 수상했습니다. 

그는 또한 2017년 4월 학과의 Excellence in Research Award를 수상했으며, 대학의 451명 박사 졸업생 중 5명에게만 수여되는 President’s Award to Distinguished Doctoral Students를 수상했습니다.[\[1\]](#cite-id-b5uwkkkw6d)​[\[2\]](#cite-id-a7xsth8xfv)​

그의 박사 과정 지도 교수인 Mike Schatz가 Johns Hopkins University로 자리를 옮긴 후, Fang은 2016~2017년에 그곳에서 컴퓨터 과학 방문 대학원생으로 있었습니다. 

그는 2013년 Stony Brook에서 응용 수학 및 통계학 석사 학위를, 2011년 Sun Yat-sen University에서 광학 물리학 학사 학위를 취득했습니다. 

그 외의 수상 경력으로는 우수 학생 장학금 및 Sun Yat-sen University 장학금, 2015년 미국 인류 유전학회(American Society of Human Genetics)의 Reviewers’ Choice 상, 2015년 University of Washington의 빅데이터 통계 여름 연구소 장학금 등이 있습니다.[\[1\]](#cite-id-b5uwkkkw6d)​