객체 중심 환경 모델링을 위한 행동적 작업에 대한 모델링
대규모 언어 모델(LLM) agent는 축적된 경험을 통해 향상할 수 있지만, 상호 작용이 증가할수록 자유 형식의 텍스트 기억은 유지, 검증 및 재사용하기 어려워집니다. 최근 Symbolic 접근법은 실행 가능한 기술이나 프로그래밍 세계 모델을 학습하지만, 종종 지역 절차를 저장하거나 단순화된 역학을 가정합니다. 우리는 Object-Centric Environment Modeling(OCM)이라는 것을 제안합니다. OCM은 실행 가능한 오브젝트 중심 환경 모델로 경험을 조직합니다. OCM은 두 개의 연결된 코드베이스를 유지합니다: 오브젝트 지식, 오브젝트 엔티티 및 메커니즘을 정의하는 파이썬 클래스, 그리고 절차 지식, 재사용 가능한 상호 작용 패턴을 기록하는 절차. OCM은 온라인 설정에서 작동합니다. 각 에피소드 후, OCM은 경로를 반영하고 두 지식베이스를 업데이트하고, 모든 절차가 업데이트된 오브젝트 모델에 대해 실행할 수 있는지 확인합니다. 향후 상호 작용에서 agent는 점진적 지식 공개를 사용하여 compact code signature를 검사하고 필요할 때만 source code를 읽습니다. 실험 결과 OCM은 벤치마크에서 평균 rank을 달성하고 invalid action을 줄여, agent가 오브젝트 중심 환경 모델을 구축하는 데 유익함을 입증합니다.
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.