정확하지만 분리된 평가: 리뷰어의 정확성은 비평의 수용을 보장하지 않는다
수학 및 과학 분야의.agent 시스템이 특화된 리뷰어 역할을 갖는 계층적 설계를 사용한다고 가정하지만, 실제로 리뷰어의 정확성은 비평의 수용을 보장하지 않는다는 연구 결과가 나왔다.
평가자의 정확성과 비평의 수용
평가자의 정확성은 0.861로 방송 스타일 동료 토론의 0.644보다 높았다. 그러나 평가자 확인 유용한 비평은 다음 후보에 대한 영향을 미치지 못하였고, 평가자 가이드된 수정도 낮았다. 이러한 결과는 평가자 감별의 정확성과 비평의 수용이 경험적으로 분리된다는 것을 보여준다. 또한, 일치된 개입에서 강제된 인식은 최종 정확성을 낮추었지만, 평가자 가이드를 직접적으로 문제 해결자의 작업 환경에 통합하면, 수용의 향상을 가져올 수 있었다. 평가자 중심 평가를 통해 시스템의 품질을 과대 평가할 수 있다. 평가자의 정확성만으로는 비평의 수용을 보장할 수 없으며, 대규모 언어 모델과 같은 시스템에서 평가자의 역할을 재평가해야 한다. 이러한 연구 결과는 시스템의 설계와 평가 방법에 대한 새로운 시각을 제공하며, 향후 시스템의 개발과 평가에 중요한 영향을 미칠 수 있다. 평가자 가이드를 직접적으로 문제 해결자의 작업 환경에 통합하면, 수용의 향상을 가져올 수 있지만, 여전히 성능 차이가 발생할 수 있다.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.