ARC-AGI-1에서 비용 효과적인 에이전트 하네스
AI 연구진은 새로운 에이전트 하네스 기술을 발표했다. 이 기술은 대규모 언어 모델(LLM)과 같은 고성능 모델을 필요로 하지 않고도 abstract reasoning과 generalization을 가능하게 한다. 연구진은 이 기술을 사용하여 ARC-AGI-1의 400-task 평가 집합에서 57.50%의 pass@2를 달성했으며, 이 성능은 \$0.25의 비용으로 달성되었다.
비용 효과적인 에이전트 하네스
ARC-AGI-1에서 최근 진행된 연구는 두 가지 주요 방식으로 진행되었다. 첫 번째는 frontier 모델에 대해 heavy test-time compute를 사용하는 방법이며, 두 번째는 benchmark-specific training을 사용하는 방법이다. 하지만 이러한 방법들은 모두 높은 비용을 필요로 한다.
이러한 문제를 해결하기 위해 연구진은 새로운 에이전트 하네스 기술을 발표했다. 이 기술은 대규모 언어 모델(LLM)과 같은 고성능 모델을 필요로 하지 않고도 abstract reasoning과 generalization을 가능하게 한다.
연구진은 이 기술을 사용하여 ARC-AGI-1의 400-task 평가 집합에서 57.50%의 pass@2를 달성했으며, 이 성능은 \$0.25의 비용으로 달성되었다. 또한 연구진은 reflective orchestrator를 사용하여 이 성능을 67.25%로 개선했다.
연구진은 이 결과를 통해, abstract reasoning과 generalization을 가능하게 하는 비용 효과적인 에이전트 하네스를 개발할 수 있다는 것을 입증했다. 또한 연구진은 future 연구에 대해, broader generation을 필요로 하는지 아니면 better ranking을 필요로 하는지에 대한 falsifiable diagnostic을 제시했다.
연구진은 이 연구를 통해, abstract reasoning과 generalization을 가능하게 하는 비용 효과적인 에이전트 하네스를 개발할 수 있다는 것을 입증했다.
Explorer-Definer Pipeline
연구진은 explorer-definer pipeline을 개발했다. 이 pipeline은 pattern-discovery와 program-synthesis stages를 분리하여, 에이전트가 abstract reasoning과 generalization을 가능하게 하는데 도움이 된다.
이 pipeline은 두 가지 stage로 구성된다. 첫 번째 stage는 pattern-discovery stage이며, 두 번째 stage는 program-synthesis stage이다.
- pattern-discovery stage: 에이전트가 abstract reasoning을 가능하게 하는데 도움이 된다.
- program-synthesis stage: 에이전트가 generalization을 가능하게 하는데 도움이 된다.
Reflective Orchestrator
연구진은 reflective orchestrator를 개발했다. 이 orchestrator는 autonomous exploration을 가능하게 하여, 에이전트가 abstract reasoning과 generalization을 가능하게 하는데 도움이 된다.
이 orchestrator는 two-stage agent pipeline을 사용하여, 에이전트가 abstract reasoning과 generalization을 가능하게 하는데 도움이 된다.
- two-stage agent pipeline: 에이전트가 abstract reasoning과 generalization을 가능하게 하는데 도움이 된다.
결과
연구진은 이 연구를 통해, abstract reasoning과 generalization을 가능하게 하는 비용 효과적인 에이전트 하네스를 개발할 수 있다는 것을 입증했다. 또한 연구진은 future 연구에 대해, broader generation을 필요로 하는지 아니면 better ranking을 필요로 하는지에 대한 falsifiable diagnostic을 제시했다.
연구진은 이 연구를 통해, abstract reasoning과 generalization을 가능하게 하는 비용 효과적인 에이전트 하네스를 개발할 수 있다는 것을 입증했다.
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.