마이크로소프트는 퀄컴의 최신 스냅드龍 X2 플러스 칩을 사용하여 Surface Pro 12인치와 Surface Laptop 13인치를 업데이트한다. 작은 Surface 기기는 이전 해와 같은 디자인과 하드웨어 기능을 유지하며 내부에 더 빠르고 강력한 칩을 탑재하고 가격도 더 높아졌다(램 가격 상승으로 인해!). 12인치 Surface Pro는 $799.99에서 시작했지만(…)
아르키브 : 2609.22353v1 발표 유형 : 새로운 요약 : 이동河川監視 로봇은 지리적 경계점만으로는 설명할 수 없는 장애물과 물의 경계를 해석해야 합니다. 자원 제한된 플랫폼에서는 불완전한 시각적 예측을 신속하고 검토 가능한 지침으로 변환하는 것이 DISTINCT한 문제입니다. 오브젝트 레이블이나 스티어링 명령은 어떤 증거가 결정을 지원하는지 또는 그 증거가 불신할 때를 설명하지 않습
지오스페이셜 인공지능(GeoAI)은 대규모 언어 모델(LLM)으로 구동되는 자연어 인터페이스와 자율 GIS 워크플로를 통해 공간 정보에 대한 쿼리, 생성 및 해석 능력을 확장하고 있다. 이러한 기능은 일반적인 인공지능 윤리 논의에서 다루지 못하는 정부에 대한 새로운 도전을 제기한다. 이는 이동성 추적에서 수동 위치 추론, 공간적으로 구조화된 편견의 증폭, 공간적 자율성의 증폭, 다중 모드 지
연구자들은 대규모 생산을 위해 회복 과정의 선택을 위해 실험실 결과와 제품 요구 사항, 공정 비용, 규모 효과를 연결하는 것이 필요하다. 우리는 퍼시픽 노스웨스트 국립 연구소의 컴퓨터 인텔리전스(CICERO) 워크플로우에서 자율적인 선택적 침전을 위한 기록을 분석했다. 활성 학습은 이전 결과를 사용하여 실험이 선택된다. 조건부 역사적 벤치마크에서 모델과 재활용된 네오디뮴-철-보르온(NdFeB
인공지능 언어 모델은 도구를 통해 작동하지만 실제 agent는 수천 개의 인터페이스를 포함하는 라이브러리를 처리해야 한다. 우리는 agent에게 실행하기 전에 보여지는 도구 메뉴를 도구의 짧은 순서付き 부분집합으로 정의한다. agent는 이 메뉴에 있는 도구만 호출할 수 있다. 다단계 작업은 최종 작업과 그 작업의 입력을 생성하는 이전 도구가 사용 가능한 순서로 작동한다. 현재 생성기는 요청
인공지능-agent가 대규모 언어 모델(LLM)에서 재사용 가능한 지식 라이브러리를 효과적으로 활용하여 장거리 작업을 해결하는 방법은 무엇입니까? 최근 연구는 agent skills: 재사용 가능한 기능을 나타내는 패키지로, 즉 특정 작업을 수행하는 데 도움이 되는 지침, 스크립트 및 기타 자원들이 포함된 다중 파일 묶음에 집중하고 있습니다. agent skills는 일반적으로 skill i
오픈AI는 최근 수많은 수학적 발견을 발표한데 대해, 또 다른 수학자는 이 모델이 미발표 연구를 기반으로 개발되었다고 의심을 제기했습니다. 이로써 오픈AI는 불공정한 행위와 불투명성에 대한 비난을 받고 있습니다.
윈도우 11의 새로운 버전인 프로젝트 제네시스는 AI 개발자에게 최적화된 운영 체제로, 개발자들이 직관적으로 개발 환경을 구축할 수 있도록 설계되었다. 이 버전은 개발자에게 유용한 도구와 기능을 제공하며, AI agent를 개발하고 실행하는 보안을 강화한다.
대규모 언어 모델(LLM)은 점점 더 중요한 결정을 위하여 사용되고 있으므로, 이 모델의 행위 ауд토리에서 설명이 중요한 도구가 됩니다. 그러나 이러한 설명은 실제로 모델의 결정을 뒷받침하는 논리를 반영하지 못하는 경우가 많습니다. 우리는 LLM이 질문에 대한 답변과 함께 설명을 제공하는 상황을 고려합니다. 우리는 설명의 불신faithfulness를 두 가지 다른 차원으로 구분합니다: 불완
이 기술 보고서에서는 EXAONE Finance(EXAONE Finance), 금융 시계열 데이터(TS) 기반의 금융 예측 모델(TSFM)을 금융 예측을 위한 금융 시계열 데이터(TSFM)을 위한 모델로 소개한다. 최근 TSFM은 대규모 사전 훈련을 통해 강력한 0샷 성능을 달성한다. 그러나 그들은 일반 도메인 TS에 주로 개발되었으며 주로 자기 주의(backbone) 구조를 사용하여 계열
해커들이 목표자가 특정 링크를 클릭할 때 비밀번호를 훔치도록 해줄 수 있는 비밀 변수가 존재했다.
프레임워크 라퍼트 13의 일부 소유자는 최근 AMD 칩셋을 사용하는 모델의 BIOS 업데이트 문제로 노트북이 윈도우와 리눅스에서 모두 고장 나는 문제가 보고되고 있습니다. 이 문제를 일으키는 BIOS 업데이트 버전은 Ryzen 7040 시리즈 메인보드에 대한 3.20 버전으로, 7월에 출시되었으며 현재는 프레임워크의 사이트에 업데이트가 되어 있습니다. 업데이트 후 노트북이 고장 나는 사용자들
미니포럼(Minisforum)이 2026년 IFA에서 NAS N5 Max-P495과 MS-S1 Max-P945을 선보였다. NAS와 미니PC는 AMD Ryzen AI Max+ Pro 495 프로세서로 동작하며, 최대 192GB의 통일 메모리를 구성할 수 있고, Radeon 8065S 통합 GPU를 탑재하고 있다.
Ugreen은 휴대폰 충전기, 충전기, NAS 저장 솔루션으로 유명한 회사로, 스마트 홈 분야에 큰 발을 내딛고 있습니다. 이 tuần에 IFA 기술 전시회에서 이 회사는 HomeAgent 스마트 홈 플랫폼을 출시했습니다. 이 플랫폼은 보안 카메라 저장, 장치 내 인공지능(AI), 스마트 홈 제어를 하나의 시스템으로 결합하고 있습니다. 이 시스템은 […]
RTX 2070 SUPER 8GB와 6코어 CPU만으로 30B급 코딩 모델을 초당 45토큰으로 구동한 실측 기록. MoE 부분 오프로드와 양자화 선택, 메모리 대역폭 병목 분석, Cline 연동 설정, 그리고 테트리스 생성으로 검증한 실제 코드 품질까지 정리했다.
대규모 언어 모델은 점점 더 전략적이고 자문적인 상황에서 사용되고 있지만, 그 안전성은 일반적으로 영어만으로 평가됩니다. 우리는 여섯 개의 제공업체에서 나온 9개의 모델을 테스트하고, 언어가 모델의 결정을 바꾸는지-high stakes 상황에서-확인하려고 합니다. 우리는 단일 턴 게임 이론적 시나리오에서 사용하며, 모델은 무방비 상대에게 핵무기를 사용할 것인지 여부를 일본의 국가에 자문합니다
Bayesian 기반의 프로세스 기반 모델의 감리 작업을 위해서는 각 모델의 매개변수에 대한 사전 분포가 필요하다. 많은 연구자들은 이 작업을 수행하기 위해 유니폼 사전 분포를 사용한다. 하지만 유니폼 사전 분포를 사용하는 이유는 이 작업을 수행하기 위한 도메인 지식과 통계 지식이 필요하고, 이를 통해 유의미한 사전 분포를 구축하는 데 시간이 많이 걸린다는 것이다. 우리는 Distribird
대규모 언어 모델(LLM)을 통해 학습된 시각적 제어 모델은 일반적으로 compact한 잠재 상태를 학습하기 위해 관찰치를 재구성하는 것을 통해 정보를 전체 시각적 입력에 걸쳐 보존하도록 암묵적으로 장려합니다. 그러나 과제 관련 내용은 관찰치의 작은 부분만을 차지하며 배경 잡음 및 가리키는 요소는 유용한 표현적 능력을 소모합니다. 시각 재구성과 제어 목표 사이의 불일치로 인해 잠재 표현은 과
대규모 멀티모달 언어 모델(Multimodal Large Language Model, MLLM)의 효율성을 향상시키기 위해 시각 토큰 압축을 사용하는 방법을 제안합니다. 이 방법은 중간 언어 모델 층의 주의 집중을 예측하여 시각 토큰의 중요도를 평가합니다. 이 방법은 existing inference acceleration techniques와 호환되며, 10개의 benchmark에서 97.5%의 unpruned model 성능을 유지하며, 5.56%의 시각 토큰만 사용하여 3.09배의 end-to-end speedup을 달성합니다.
Ignition Index를 제시합니다. 이는 전이 모델 언어 모델에서 Global Workspace Theory의 (GWT) 모든-아니면-점화 예측을 operationalize하는 유효한 스칼라 지표입니다. 이 지표는 입력 신호 강도의 함수로 per-layer 선형 프로브 정확도를 4-매개 변수 시그모이드에 적합시켜, 기울기 매개변수 beta-hat을 추출합니다: 높은 값은 급격한, 점화와
대규모 언어 모델(LLM) agent가 점점 더 복잡한 현실 세계 작업을 완료하기 위해 외부 도구에 의존하고 있습니다. 그러나 신뢰할 수 있는 도구 사용 계획은 암묵적 추론의 한계와 현실 세계 실행 환경의 변화에 의해 어려움을 겪고 있습니다. 기존의 도구 사용 agent는 일반적으로 텍스트 설명에서 도구 구성이 추론되는 LLM을 의존하여, 복잡한 작업에서 효율적인 탐색과 불신할 수 있는 실행
AI agent가 참가하는 사회적 판단 게임(Social Deduction Games, SDGs)인 Werewolf와 같은 게임은 인공지능 agent를 위한 새로운 시험 장치로 변해 갔다. 이러한 게임은 복잡한 사회적 능력인 논리적 사고, 거짓말, 협력 등이 필요하다. 최근 대규모 언어 모델(LLM)의 발전으로 SDG agent의 성과가 크게 향상되었지만, 현재의 접근 방식은 주로 텍스트 기
시각적 카운터팩터설명은 모델의 예측을 바꾸는 최소한의 변경을 이미지에 어떤 것인지 알려주는 기술입니다. existing diffusion-based methods는 현실적인 편집을 생성할 수 있지만, noisy 이미지에 대한 분류기(classifier)가 반드시 작동해야 하므로, robust 설명을 위한 deployment에 취약합니다. 새로운 C-VCE framework는 classifier를 직접 생성 모델에 통합하여, 카운터팩터를 human-interpretable feature(concept)로 안내합니다.
다중 모드 대규모 언어 모델은 단일 모드 시스템에 없는 공격 표면을 제공합니다: 공격자는 단일 모드 보안을 우회하기 위해 악의적인 의도를 모드에 분산시킬 수 있습니다. 이에 따라 각 모드를 분리하여 검사하는 대신, 모드 간 일관성을 검사하여 공격 탐지 신호로 사용하는 것이 적절합니다. 우리의 주요 관찰 결과는, 양성 입력은 텍스트만 사용하고 시각만 사용하는 논리적 추론에서 호환되는 예측 행동
