AI / SIGNALS / KOREA
최신 AI 모델·에이전트 소식을 한국어로 정리하고, 실제 선택에 필요한 맥락까지 함께 전합니다.
인공 지능이 지원하는 개인 보조기(Pro$^2$Assist) : 지속적인 단계 인식에 기반한 대비적 보조기와 멀티모달 에โก 센트릭 인식으로 인한 장기 절차적인 작업의 지원 장기 절차적인 작업은 일상 생활에서 흔히 볼 수 있는 작업들이다. 최근 대규모 언어 모델(LLM)의 발전으로 인해 일상 활동을 지원하는 개인 보조기들이 등장했다. 하지만 기존의 시스템들은 주로 사용자의 질의에 의해 트리거되는 반응적인 지침 제공 또는 격리된 단기 사건에 대한 제한적인 대비적 보조기 제공에 그치고 장기 절차적인
시간 논리 추론이 지연 요인이 아니다: 신호-기호 QA 프레임워크의 확률적 불일치 프레임워크 arXiv:2605.04243v1 발표 유형: 새로운 요약: 큰 언어 모델(LLM)은 복잡한 시간 논리 추론 과제에서 고유한 성능을 계속해서 나타내고 있지만, 이 실패 모드는 자체적 결함 있는 자가 회귀적 논리적 추론에 널리 ATTRIBUTED로 인해 발생한다. 이 논문에서, 우리는 이 널리 퍼진 이야기와는 달리, 시간 논리 추론이 기본적인 지연 요인이 아님을 입증하고, 오류와 추론 실패를 분리하는 확률적
수술 팀의 동적 관계를 실시간으로 모델링하는 새로운 접근법을 제안했습니다. 본 접근법은 시간 확장된 상호 작용 그래프(time-expanded interaction graphs)를 사용하여 팀의 동적 관계를 모델링합니다. 이 그래프에서는 팀원들을 시간 인덱스화된 노드(time-indexed nodes)로 모델링하고, 의사소통을 정의하는 지시 그래프(directed edges)를 사용합니다. 이 방법은 동적 상호 작용 모델링을 허용하며, 정적 그래프 신경망(static graph neural net
ANDRE: 주의집중 기반 심볼-신경망 다분해 규칙 추출기 대규모 언어 모델(LLM)에서 주의집중 기반 심볼-신경망 다분해 규칙 추출기(ANDRE)가 제안되었다. ANDRE는 데이터에서 해석 가능한 첫 번째 순서 규칙을 학습하는 목표를 가진 지능형 논리 프로그래밍(ILP)의 새로운 프레임워크이다. ANDRE는 기존의 심볼과 신경망 기반 접근법이 노이즈와 확률적 설정에서 확장하기 어렵다는 것을 해결하기 위해 설계되었다. ANDRE는 지능형 논리 프로그래밍에서 기존의 규칙 템플릿과 논리 연산자를
오프-폴리시(Off-policy) 시간차분(TD) 학습에 함수 근사(Function Approximation)가 사용될 때 안정성, 투영 기하학_management(Projection Geometry), 분산 제어 controL(variance control)와 같은 구조적 트레이드오프가 발생한다. 강조된 시간차분(Emphatic TD, ETD)가 오프-폴리시 투영 기하학을 개선하는 데 도움이 되지만, 후속 추적(follow-on trace)이 높은 분산을 가질 수 있다. 우리는 벨만 오류(Bel
미국에서 발코니 태양광 붐이 찾아온다. 미국 수십 개의 주들이 태양광 시스템을 발코니에 설치할 수 있도록 법률을 제정하는 것을 고려하고 있다. 이 작은 태양광 시스템은 설치가 거의 필요하지 않으며, 기후변화 감소와 전기요금 절감에 도움이 될 수 있다. 발코니 태양광은 이미 유럽에서 인기가 많고,支持자들은 이러한 시스템이 태양광 에너지를 더 접근하기 쉬운 것으로 만들 수 있다고 말한다.
IVF를 통한 출생 첫 번째 인물인 루이스 조이 브라운(Louise Joy Brown)이 48년 전 이 달에 출생했습니다. 이후 수많은 IVF 출생아들이 태어났습니다. IVF는 지금까지도 사람들을 위해 큰 도움을 주고 있습니다. 대규모 언어 모델(LLM)과 같은 기술을 통해 IVF의 가능성을 더욱 확대할 수 있습니다.
LCM: 무손실 컨텍스트 관리 (Lossless Context Management, LCM) arXiv:2605.04050v1 발표 유형: 새로운 abstract 무손실 컨텍스트 관리 (LCM)이라는 determintic 아키텍처를 제시합니다. 이 아키텍처는 대규모 언어 모델(LLM) 메모리에서 Claude Code를 능가하는 성능을 보입니다. Opus 4.6을 사용하여 벤치마크한 LCM-augmented 코딩 에이전트, Volt는 OOLONG long-context eval에서 Claude C
인공지능 경제의 핵심 인사 5명은 최근 베벌리 힐스에서 열린 밀켄 글로벌 컨퍼런스에서 모여, 인공지능 공급망의 모든 층을 다루는 사람들과 대화했습니다. 그들은チップ 부족부터 궤도 데이터 센터까지, 기술의 가장 기본적인 구조가 잘못된 것일지도 모른다는 가능성을 논의했습니다.
파로아(Parloa)는 고객이 WANT TO TALK(고객이 의사소통하고 싶어하는)하는 서비스 에이전트를 구축한다. 파로아는 OpenAI 모델을 활용하여 대규모 언어 모델(LLM) 기반 음성 주도 AI 고객 서비스 에이전트를 구축하여 기업들이 신뢰할 수 있는 실시간 상호작용을 설계, 시뮬레이션, 배포할 수 있도록 한다.
대규모 CVRP(LSCVRP) 문제를 해결하는 것은 수백에서 수천개의 노드가 있는 경우에도 최신기술의 솔버에서도 여전히 어려운 문제입니다. 분할-정복 기법은 인스턴스를 크기가 줄어든 서브 문제로 분할하여 확장 가능하지만, 분할 논리 설계 및 서브 솔버 구성은 전문가와 노동력에 의존하는 labor-intensive한 작업입니다. 대규모 언어 모델(LLM)은 자동화된 알고리즘 설계에 유망한 도구로 등장했습니다. 그러나 현재 LLM를 기반으로 한 접근법은 LSCVRP를 해결하는 데 어려움을 겪고 있으며
여행 계획 기능을 향상시키기 위한 대규모 언어 모델(LLM)의 재검토 arXiv:2605.03308v1 발표 유형: 새로운 요약: 여행 계획은 장기적인 추론에 중요한 업무로 LLM의 심각한 한계를 노출한다. 그러나 기존의 벤치마크와 평가 방법은 종단에서 계획을 평가하는 방식으로, 해석의 불완전성과 실패의 근본 원인 분석이 어려운 문제를 보유하고 있다. 이 간극을 좁히기 위해, 여행 계획을 5개로 구성된 원자적 하위 기능으로 분리한다. 그 중에는 Constraint Extraction, Tool U
인공지능 요소의 안전한 판단을 높이기 위한 연구: 제어된 벤치마크 재작성 및 유사성 논리 reasoning을 통한 분포 이탈 시의 속임수 시나리오 arXiv:2605.03242v1 발표 유형: 새로운 요약: 대규모 언어 모델(LLM)로 güç을 받는 도구 사용 인공지능 시스템은 웹, 앱, 운영 체제 및 거래 환경에서 점점 더 많이 배포되고 있습니다. 그러나 현재의 안전 벤치마크는 명시적 위험에 중점을 두고 있으므로 모델이 속임수 또는 모호한 경로를 판단할 수 있는 능력을 과대평가할 수 있습니다.
cotomi Act: 사용자가 작업을 하면서 배우는 자동화 기술 cotomi Act는 브라우저 기반의 컴퓨터 사용 에이전트입니다. 이 에이전트는 사용자의 작업을 신뢰할 수 있는 다단계 작업 수행과 지속적인 조직적 지식 학습을 결합한 것입니다. 이 에이전트는 다음의 기술을 사용하여 179-작업 WebArena 인간 평가 집합에서 80.4%의 성능을 달성했습니다. - 적응적 느긋한 관찰 - 단어 차이 기반의 역사 압축 -粗细 계층 구조의 작업 - 테스트 시간에 대한 N 작업 선택 또한 co
대규모 언어 모델(LLMs)은 자연어 이해와 추론能力을 갖추고 있지만, 정밀하고 결정론적인 계산을 수행할 수 있는지는 불명확하다. 이 연구에서는 Chain-of-Thought(CoT), Least-to-Most 분해, Program-of-Thought(PoT), Self-Consistency(SC)와 같은 다수의 프롬프트 전략을 체계적으로 평가했다. 이 평가에는 정밀하고 오류가 없는 출력이 필요한 작업들이 포함되어 있으며, 이 작업에는 이진 카운팅, 가장 긴 부분 문자열 탐지, 산술 평가가 포함된
감정 인식에서 부정적인 감정을 표현하는 임상적 추상 개념을 불특정 임상 상호 작용에서 모델링하는 것은 독특한 도전이다. 우리는 ADAPTS(대인적 분해를 위한 증상 추적에 대한 자동화된 프로토콜 무관 Framework, Agentic Decomposition for Automated Protocol-agnostic Tracking of Symptoms)라는 framework를 제시한다. 이 framework는 mixture-of-agents 대규모 언어 모델(LLM) 아키텍처를 사용하여 우울증과
AI 시스템을 사용하지 않고 논문 검토를 자동화하지 말아야 한다. AI 시스템은 대규모 언어 모델(LLM)로 논문 검토를 해결하는 유혹적인 솔루션을 제공한다. 이 논문은 오늘날의 AI 시스템을 사용하여 논문 검토를 생산하는 것은 불필요하다고 주장한다. AI 시스템이 인간과 AI가 생성한 ICLR 2026 검토를 비교하고 AI 검토자에 대한 자동화된 논문 재작성의 효과를 평가하여 이 주장을 뒷받침한다. 이 연구에서 두 가지 중요한 문제점을 발견했다. 1) AI 검토자는 논문 내에서 과
Terminus-4B: 더 작은 모델이 프론티어 대규모 언어 모델(LLM) 대신 에이전트 실행 작업에서 대체할 수 있을까? 현대 코딩 에이전트는 특화된 서브태스크를 서브에이전트에 위임하는데, 서브에이전트는 좁은 책임을 맡는 더 작은 에이전트 루프이다. 이 아키텍처 패턴은 메인 에이전트의 컨텍스트 창을 깨끗하게 유지하기 위해 verbose 출력(예: 빌드 로그, 테스트 결과 등)을 서브에이전트 컨텍스트 내에 분리한다. 에이전트가 이러한 작업을 위해 서브에이전트를 사용할 때, 일반적으로 프론티어
자율적 에이전트의 순차적 행동을 검증하는 새로운 알고리즘을 제시했다. 이 알고리즘은 2-10개의 성공적인 실행 트레이스를 통해 올바른 행동을 자동으로 학습하고, 학습된 모델에 새로운 실행을 검증한다. 이 알고리즘은 컴파일러 이론의 도미네이터 분석 및 멀티모달 대규모 언어 모델-powered 의미 이해를 결합하여 필수 상태를 식별하고 비결정적 행동을 처리한다. 시스템은 Prefix Tree Acceptors를 사용하여 일반화된 ground truth 모델을 생성하고, traces를 다중 계층 적합성
기호 회귀( Symbolic Regression, SR )는 주어진 데이터셋을 가장 잘 설명하는 수학적 표현식을 발견하는 과제로 과학적 발견의 근본적인 도전 중 하나입니다. 전통적인 접근 방식은 주로 유전 알고리즘과 관련된 진화적 방법에 기반을 두고 있으며 유용하긴 하지만 확장성과 표현력의 한계를 가지고 있습니다. 최근 기호 회귀에 대규모 언어 모델(LLM)-기반 진화적 검색 방법이 소개되었으며 좋은 결과를 보여주고 있습니다. 그러나 기존의 LLM 기반 접근 방식은 주로 평균 제곱 오차와 같은 스
당신과 함께 하겠는가? 태스크 기반 팀 대화에서 정신 모델 불일치 감지 프레임워크 arXiv:2605.03149v1 발표 종류: 새로운 요약: 인간들은 일반적으로 자연어를 사용하여 팀원들에게 태스크 상태를 업데이트합니다. 모든 업데이트가 전달되지 않기 때문에 팀원들 사이의 정신 모델 불일치가 발생하여 팀의 전체 성과에 부정적인 영향을 미칩니다. 우리는 이러한 불일치를 어떻게 분류할 수 있을까요? 팀 대화에서 감지된 불일치가 미래의 정신 모델 불일치에 예측할 수 있나요? 전통적인 공유된 정신 모델(
컴퓨팅 티엘레 규칙에 대한 간격 선거와 그 일반화에 대한 연구 arXiv:2605.03067v1 발표 유형: 새로운 요약 승인 기반 위원회 투표가 사회적 선택 커뮤니티에서 받은 관심이 크다. 연구된 규칙 중 티엘레 규칙, 특히 비례 승인 투표(PAV)가 비례 대표성, 파레토 최적성 및 지지 단조성과 같은 바람직한 특성을 가지고 있다. 그들의 주요 단점은 티엘레 결과를 계산하는 것이 일반적으로 NP-완료이다. 희망의 한 가지 점은 구조화된 선호도 하에서 티엘레 규칙이 더 잘 동작한다는 것이다.
인공지능(AI) 도입을 통해 조직의 혁신과 효율성을 높이기 위해 많은 조직에서 AI를 도입하지만, 많은 도입 시도가 실패하는 이유는 근로자들이 AI를 통합하기 위해 저항하고 Struggle하는 때문이다. 이러한 실패는 더 깊은 문제를 드러내는데, AI와 협력하기 위해 기대되는 근로자들은 AI의 설계와 사용 방식에 대한 결정에 불투명한 존재로 남아 있다. AI 시스템과 일상적으로 상호작용하는 의료, 금융, 관리 분야의 전문가와의 인터뷰를 바탕으로, 우리는 조직의 기대와 근로자의 경험 사이의 불일
안정적 행위자 제어: 도구 매개 LLM 아키텍처를 위한 자율적인 사이버 방어 안전한 결정-making을 위한 형식적 보장이 제공되지 않는 고위험 가치에 대한 대응을 필요로 하는 행위자 시스템을 위한 해결책이 필요하다. 보안 운영 센터(SOC)가 공격적인 압력을 받는 동안 끝점 감지 및 반응(EDR) 정책을 구성해야 하는 운영 환경에서 영감을 얻은 우리는 도구 매개 아키텍처를 제시한다: LLM 행위자가 결정론적 도구(스택엘버그 최적 반응, 베이즈 관찰자 업데이트, 공격 그래프 원소)를 사용하고 도
