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 역할 연기하는 RL을 닫힌 루프 커리큘럼으로 바꾸는 적대적 문맥 재작성 프레임워크인 AdvRole을 제안한다. AdvRole은 Actor가 역할 연기를 배우는 반면 Rewriter가 Actor에 맞는 어려운 시나리오로 캐릭터 프로필과 대화 문맥을 편집하는 것을 반복한다. Rewriter는 성능 격차 보상을 통해 훈련되며, 현재 Actor의 점수와 원래 시나리오의 점수 간의 격차를 줄이는 재작성 방식을favor한다. 결과적으로, 시나리오 풀은 Actor와 함께 진화하며 캐릭터-문맥 공간의 미숙한 영역을 지속적으로 목표로 한다. 영어와 중국어를 포함한 세 가지 역할 연기 벤치마크 및 새로운 멀티링구얼 벤치마크에 대한 실험에서 AdvRole은 기준선보다 일관적으로 우수한 성과를 나타냈다.
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.
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
믿음 기술 보고서
arXiv:2609.28554v1 발표를 통해 소개하는 Pistis 모델 패밀리는 Qwen3.6과 Qwen3.5을 기반으로 하는 대규모 멀티모달 언어 모델을 포함하고 있습니다. 이 모델은 27B-과 9B- 파라미터를 가지고 있으며, 일반적인 규모의 확장 가능한 후 훈련 프레임워크를 통해 개발되었습니다. 이 프레임워크는 대규모 멀티모달 지도 학습(Supervised Fine-Tuning, SF
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.