기억을 넘어: 템플릿 기반의 이질적 협력 지식 작업을 위한 LLM agent를 위한 하이브리드 서브스트레이트
연구 프로젝트, 교육 노력 및 인접한 지식 작업은 미래의 협력자가 거의 복원할 수 없는 발견, 결정 및 논리를 쌓습니다. 그 작업에 가장 유용한 부분, 포함하여 죽은 지점 및 되돌아간 주장은 일상적으로 출판물 및 공유 코드에서 배제되고 미래의 연구자는 기록이 살아남지 않아 동일한 실패를 다시 시도합니다. LLM 코딩 agent는 세션 간에 영구적인 기억을 보유하지 않으며 원본을 직접 사용하는
협력 지식 작업의 한계
연구 프로젝트, 교육 노력 및 인접한 지식 작업은 미래의 협력자가 거의 복원할 수 없는 발견, 결정 및 논리를 쌓습니다. 이러한 작업의 가장 유용한 부분, 포함하여 죽은 지점 및 되돌아간 주장은 일상적으로 출판물 및 공유 코드에서 배제되고 미래의 연구자는 기록이 살아남지 않아 동일한 실패를 다시 시도합니다. 대규모 언어 모델 코딩 에이전트는 세션 간에 영구적인 기억을 보유하지 않으며 원본을 직접 사용하는 검색 보강 생성은 쌓이지 않습니다.하이브리드 서브스트레이트의 필요성
대규모 언어 모델 위키 패턴은 원본과 에이전트 사이에 대규모 언어 모델이 관리하는 상호 연결된 위키를 삽입하여 이 문제를 해결합니다. 우리는 대규모 언어 모델 위키 메모리 템플릿이라는 재사용 가능한, 에이전트 인식 인스턴스와 논리를 제시하고 이 템플릿의 세 가지 축을 지원하는 구별된 아키텍처 요소를 가지고 다양한 협력 지식 작업의 서브스트레이트로 이를 주장합니다. 위키는 기존에 하지 않은 내용을 보존하여, 출판물 및 코드 공유 구조적으로 해결할 수 없는 부정적 결과 손실 문제를 해결합니다. 세 가지 배포 사례와 하나의 설계 보고서가 각각 축을 지원하여: 하나의 연구 계통을 보존한 버려진 반복; 두 명의 저자 프로젝트의 후속 감사에서 이전 두 개의 실험의 보장에서 실패 경로를 보존; 여러 에이전트의 현재 배포를 설계 보고서로 보고; 그리고 교차 도메인 교육 변형. 우리는 실패 경로 보존, 에이전트 및 사용을 포함한 교차 기술 속성을 아티팩트의 기술 기계뿐만 아니라 아티팩트의 전반적인 속성으로 명명합니다. 이러한 하이브리드 서브스트레이트는 협력 지식 작업의 효율성과 효과성을 높일 수 있습니다.함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.