본문으로 건너뛰기
AI UsefulInfo ai.usefulinfo

AI / SIGNALS / KOREA

AI의 다음 장면을
가장 빠르게 읽는 법

최신 AI 모델·에이전트 소식을 한국어로 정리하고, 실제 선택에 필요한 맥락까지 함께 전합니다.

4,407개 기사 6시간마다 업데이트
전체 AI 모델 에이전트 연구 산업 도구 LLM PC 허깅페이스

최신 기사

AI 모델 7월 27일

중국이 가장 뛰어난 인공지능 모델들을 무료로 나눠주는 이유는 무엇인가?

샌프란시스코 만의 일대 침체가 지난 주 동안 계속되어 왔다. 이유는 중국의 AI 모델인 김이(Kimi K3)가 등장한 때문이다. 김이 모델은 미국의 대기업들이 개발한 최고 수준의 시스템을 물리치고도 할 수 있는 능력을 자랑한다고 한다. 이 모델의 성능만으로도 미국의 AI 기업들 간의 경쟁이 더욱 激化되도록 만들었을 것이다.

AI 모델 7월 27일

구조 인식과 텍스트 구조 통합을 위한 Benchmarks와 Auditable Reference Pipeline

스키마 그래프는 스키마에 기반한 정보 추출과 지식 그래프 구축의 상류 병목 현상입니다. 하지만 대부분의 추출 시스템은 스키마가 이미 존재한다고 가정합니다. 스키마를 구축하고 온톨로지 유도에 사용하는 PIPELINE인 SCOPE(스키마 구축 및 온톨로지 유도 PIPELINE 평가)를 소개합니다. SCOPE는 24개의 공개 정보 추출 소스(15개 RE, 9개 EE)에서 정제된 스키마 그래프로만

AI 모델 7월 27일

그래프 신경망에서 깊이-aware의 장거리 전파에 대한 스펙트럼 흐름 증명서

그래프 신경망( Graph Neural Networks, GNN )은 지역 메시지 전달을 통해 정보를 전달하지만 그래프 구조 자체가 장거리 작업을 해결하기 위해 어떤 양의 훈련도 해결하지 못하는 경우가 있다. 새로운 그래프에 GNN을 배포할 때, 현재 훈련이 시작되기 전에 그래프의 구조가 정보가 먼 노드 사이에 충분히 전달할 수 있는지 알 수 있는 inexpensive한 방법은 없다. 이 빈

AI 모델 7월 27일

변형: diffusion 모델의 구성 요소 생성을 모델 내적 보상으로 개선

최근 텍스트에서 이미지 생성 모델의 발전으로 인해 복잡한 조합 명령에 대한 더욱忠実한 이미지 생성을 위한 테스트 시간 메서드 개발이 점점 더 중요해졌다. 우리는 TILT라는 조합 텍스트에서 이미지 생성을 위한 테스트 시간 보상 조정 프레임워크를 제시한다. 조합 실패를 이산 분포와 단일 개념 분포의 중첩 모드로 해석하고, 모든 개념이 공동으로 존재하는 샘플을favor하는 보상을 정의한다. 이

에이전트 7월 27일

AgentKVShift: 효율적인 에이전틱 메모리 시스템의 키-값 캐시 재사용

대규모 언어 모델(LLM) 에이전트는 수백 번의 상호 작용을 통해 agentic 메모리 시스템을 사용하여 내용을 유지합니다. 메모리에서 내용을 검색할 때마다, LLM이 생성한 메타데이터와 같은 요약, 키워드 및 태그를 포함한 구조화된 메모리 단위 전체를 다시 인코딩해야 합니다. 이는 Key-Value (KV) 상태로의 변환에 의해 주도되며, 이는 prefll 지연 시간의 주요 요인이 됩니다.

AI 모델 7월 27일

다양한 Edge 기기에서 빠른 LLM 검증을 위한 전이 가능한 지연 시간 예측

대규모 언어 모델(LLM)의 정확한 지연 시간 예측은 이산적인 에지 장치에서 배포하는 데 중요합니다. 이 장치에서는 지연 시간이 모델 아키텍처, 명령어 동작, 런타임 백엔드, 하드웨어 활용, 동적 전압 및 주파수 스케일링(DVFS), 열 변동 등에 영향을 받습니다. 이 논문은 배포 지향 대규모 언어 모델(LLM) 선택을 위한 런타임에 대한 지연 시간 예측 프레임워크를 제시합니다. 프레임워크는

AI 모델 7월 27일

공공 공간에서 손가락 제스처와 같은 상호 작용의 프레임 단위 인식에서 이벤트 단위 확인까지 : 복구 트레이스와 런타임 실패 분석

공공 공간에서 손가락 동작 인터랙션은 일반적으로 프레임 단위인 인식 문제로 평가되지만 실제로 배포된 시스템은 다른 실패 경계를 노출한다. 경치가 있는 키오스크, 전시관, 서비스 터미널 등에서 사용자는 의도된 동작이 안정적인 인터랙션 이벤트가 되는지 아닌지 경험한다. 개인의 손가락 프레임이 정확한지 아닌지에 집중하는 것이 아니다. 우리는 이 문제를 인식-인터랙션 간격(recognition-to

LLM PC 7월 27일

다양한 모드의 인공지능을 위한 내부 정보 분해를 통한 보안

다중 모드 대규모 언어 모델은 단일 모드 시스템에 없는 공격 표면을 제공합니다: 공격자는 단일 모드 보안을 우회하기 위해 악의적인 의도를 모드에 분산시킬 수 있습니다. 이에 따라 각 모드를 분리하여 검사하는 대신, 모드 간 일관성을 검사하여 공격 탐지 신호로 사용하는 것이 적절합니다. 우리의 주요 관찰 결과는, 양성 입력은 텍스트만 사용하고 시각만 사용하는 논리적 추론에서 호환되는 예측 행동

에이전트 7월 27일

위험은 목표가 아니다: 연속적인 위험 신호 평가를 위한 단조성 프레임워크

위험 예측 시스템을 평가할 때 일반적인 머신 러닝 지표를 사용하는 것은 기본적으로 잘못된 것이다. 이 연구에서는 연속적인 위험 신호의 기능적 일관성보다는 이벤트 예측 정확성을 평가하는 지표를 사용하는 것이 문제라는 것을 밝혔다. 이 연구에서는 연속적인 위험 신호의 증가가 관찰된 운영 부하의 증가와 일관되게 상응하는지 측정하는 새로운 단조성 평가 프레임워크를 제안한다. 또한 프랑스 알프스-마리팀 지역에서 3가지 구조적으로 다른 접근 방식인 전문가 기반 DFE 지수, GRU 기반 예측 모델, 그리고 LLM 기반 추론을 결합한 예측 AI와 다중 에이전트 시스템 FARS를 비교한다. 실험 결과 DFE는 분류 지표가 좋지 않지만 전체 위험 범위에서 가장 균형 잡힌 단조성 행동을 나타내었고, GRU 모델은 강한 지역 단조성을 달성했지만 위험 수준이 잘 분산되지 않았다. FARS는 상류 신호의 구조적 제한을继承하고 보정하지 못했다. 이 연구의 중심 발견은 좋은 위험 모델은 정확하게 화재를 예측하지 않지만, 그 순위가 의미 있게 운영 동적을 설명하는 모델이 좋은 위험 모델이라는 것이다.

AI 모델 7월 27일

자기개선하는 agent를 위한 workflow와 실행 가능한 기술의 동시개선: FlowEvo

FlowEvo는 대규모 언어 모델(LLM) agent가 복잡한 작업을 해결하기 위해 inference-time workflow를 구성할 때 발생하는 유용한 절차를 재사용할 수 있도록 하는 training-free framework입니다. FlowEvo는 workflow와 skill의 동시개선으로 agent가 시간이 지남에 따라 task-solving 능력을 축적하고 개선할 수 있도록 합니다.