SDOF: 멀티 에이전트 오케스트레이션의 대선형세기
멀티 에이전트 오케스트레이션 프레임워크는 LangChain, LangGraph, CrewAI를 포함하여 그래프 기반 파이프라인을 통해 태스크를 라우팅하지만 실제 비즈니스 프로세스를 지배하는 단계 제약을 강제하지 않습니다. SDOF 프레임워크는 멀티 에이전트 실행을 제약된 상태 머신으로 다루고, Online-RLHF Specialized Intent Router와 StateAwareDispatcher를 통해 작동합니다.
멀티 에이전트 오케스트레이션 프레임워크는 LangChain, LangGraph, CrewAI를 포함하여 그래프 기반 파이프라인을 통해 태스크를 라우팅하지만 실제 비즈니스 프로세스를 지배하는 단계 제약을 강제하지 않습니다. 이러한 제약을 강제하기 위해 SDOF 프레임워크를 소개합니다. SDOF는 Online-RLHF Specialized Intent Router와 StateAwareDispatcher를 통해 작동하며, Generative Reward Modeling (GRPO)와 GoalStage finite-automaton checks, precondition/postcondition SkillRegistry validation를 사용합니다.
SDOF의 구성 요소
- Online-RLHF Specialized Intent Router: Generative Reward Modeling (GRPO)로 훈련된 Intent Router
- StateAwareDispatcher: GoalStage finite-automaton checks와 precondition/postcondition SkillRegistry validation를 사용하는 Dispatcher
SDOF의 성능
SDOF는 recruitment 시스템에 185 expert-curated 시나리오를 사용하여 1671 live API 호출을 트리거했습니다. GSPO-aligned 7B Intent Router는 FSM-constrained adversarial routing 벤치마크에서 zero-shot GPT-4o보다 높은 joint 정확도 (80.9% vs 48.9%)를 달성했습니다. SDOF는 end-to-end 실행에서 86.5%의 태스크 완료율 (95% 신뢰 구간 80.8 to 90.7)을 달성했으며, 22개의 연산을 모두 차단했습니다.
SDOF는 broader message-level blocking audit에서 precision 100%와 recall 88%를 달성했으며, expert agreement kappa=0.94를 달성했습니다. 또한 960 SGD-derived 대화에 대한 별도의 평가에서 201 단계 순서 충돌을 발견했으며, 41개가 normal split에서 발생했습니다.
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.