arXiv:2605.23938v1 Announce Type: new Abstract: Large language models (LLMs) increasingly fuse heterogeneous inputs in ubiquitous systems. Yet, how LLMs implicitly allocate authority when sensor measu
arXiv:2605.23928v1 Announce Type: new Abstract: We present Context, the intelligence layer of the Magarshak Architecture, which replaces reactive query-response chatbots with proactive goal-directed a
누가 AI를 사용합니까? 플랫폼, 인력 및 AI 노출 arXiv:2605.21743v1 발표 유형: 새로운 추론: 성장하는 문학은 인공 지능 플랫폼 대화 로그를 사용하여 직업 노출을 측정합니다. 우리는 이러한 점수가 부분적으로 근로자 대신 플랫폼 사용자 기반을 측정한다는 것을 보여줍니다. 결과, 샘플, 컨트롤 및 예상자가 단지 플랫폼 입력이 변하는 동안 고정되어 있으며 채팅 후 채팅GPT 취업 요소가 1.9의 요소로 변경되며 판매자 내의 소비자 대 기업 채널은 신호에 동의하지 않는 추정치를 생성합
TO-Agent Selector: A Multi-Agent AI Pipeline for Preference-Guided Topology Optimization arXiv:2605.21622v1 이러한 효과적인 발표 유형 : 새로운 추론 : 메모리 최적화는 효율적인 피드백을 생성 할 수 있지만 디자이너는 종종 원하는 시각적 스타일, 제품 경험 또는 파이프터 최적화 설정을 원하는 파이프터 설정으로 수동으로 번역해야합니다. 우리는 TO-Agents, 천연 언어 설계 의도를 iterative topolo
KANs는 깨끗하고 저차원 데이터에서 복잡한 함수를 학습하는 데 뛰어난 능력을 보이지만, 노이즈와 불완전한 실세계 데이터셋에서 성능을 유지하는 데 어려움을 겪고 있습니다. 반면, 전통적인 다층 퍼셉트론 (MLPs)은 노이즈에 대한 내구성을 보장하고 계산 효율성을 제공합니다. KANs를 HAR 모델의 모든 MLP 구성 요소로 대체하면 정확도와 계산 효율성이 저하되는 문제를 해결하기 위해, 우리는 깊은 HAR 네트워크 내에서 KAN 모듈의 다양한 배치를 시스템적으로 탐구하고, KAN-MLP 하이브리드 아키텍처를 제안합니다. 이 아키텍처는 KAN 기반 입력 임베딩 레이어를 사용하고, 중간 특성 혼합을 위해 MLP 레이어를 유지하고, 최종 활동 분류를 위해 특수화된 LarctanKAN 모듈을 소개합니다. 8개의 공개 HAR 데이터셋에서, 하이브리드 KAN-MLP 모델은 순수 MLP 모델에 비해 평균 macro F1 점수 상대 향상률 5.33%를 달성하고, 독립된 KAN 및 MLP 기준선보다显著히 성능을 개선합니다. 또한, 이 하이브리드 전략을 다른 최신 HAR 아키텍처에 통합하면, 그들의 성능을 지속적으로 향상시킵니다.
구글이 25년 만에 처음으로 검색 상자를 리디자인했습니다 – 그 이유는 더 중요합니다. 구글의 검색 상자는 25년 동안 컴퓨팅의 가장 인식적인 인터페이스 중 하나였습니다. 얇은 흰색 사각형, 깜박이는 커서, 몇 개의 입력 문자, 그리고 파란색 링크 목록. 화요일, 구글은 그 PARA드igm을 공식적으로 은퇴했습니다. 구글의 개발자 회의(I/O developer conference)에서, 구글은 검색 상자를 리디자인했습니다 – 이 때 BILLIONS의 질의가 시작되는 실제 텍스트 필드에서 – 간단한
마이크로소프트는 Surface Pro 11과 Surface Laptop 7의 인텔 모델을 6개월 이상 늦게 출시한 것을 반려하면서, 이번에는 인텔의 최신 Core Ultra Series 3 프로세서를 기반으로 Surface Pro와 Surface Laptop를 업데이트합니다. 이 새 모델은 인텔 프로세서로 출시되는 최초의 Surface 모델입니다.
개인화된 언어 시스템은 일반적으로 개인화성을 회상 문제로 다루지만, 실제로는 시스템이 약속을 지속할 때 많은 실패가 발생한다. 이 연구에서는 약속 범위 설정을 위한 Contract-Bounded Evidence Activation (CBEA)와 Lexicographic Commitment Validation (LCV) 기법을 제안한다. CBEA+LCV는 360 개의 테스트 케이스와 세 가지 생성 백엔드에서 실패율이 0.49-0.60로 유지되며, raw와 long-context baseline은 0.003-0.092의 실패율만큼 유지할 수 없다.
자연 속 생물 다양성의 급격한 감소는 효과적인 모니터링의 긴급성을 강조한다. 그러나 수동 조사를 위한 수작업 조사는 자원에 대한 확장성 있는 대안을 제공한다. обыч AI는 환경의 변동성으로 인해 자연 속에서 성능을 발휘하는 데 어려움을 겪는다. 현재의 방법은 모델을 다시 훈련하기 위해 필드 데이터를 지속적으로 업로드하는 클라우드 자원에 의존한다. 그러나 이러한 접근 방식은 제한된 전력과 네트워크 연결로 인해 원격 배포에 적합하지 않다. 이러한 제약을 해결하기 위해 이 연구에서는 모델 적응에서 지식 적응으로 전환하는 것을 제안한다. 우리는 시각적 인지와 사유를 분리하는 아키텍처를 소개한다. 시각 인코더와 동적 지식베이스를 결합하여 시각 인코더와 동적 지식베이스를 결합한다. 우리는 암묵적으로 모델 매개변수에 전문 지식을 인코딩하는 대신 명시적인 지식베이스를 사용한다. 또한 지식의 지속성을 지원하여 구조화된 형식으로 전문가 인사이트를 보존한다. 생물학자와 원주민 공동체와의 교차 학문적 협력으로 이 작업은 윤리적인 AI 공동 개발을 진전시키고, 책임 있는 생태계 관리를 위한 문화적으로 교육된 생태계 관리를 지원한다.
자율 AI 에이전트의 안전성은 점점 더 중요한 오픈 문제로 인식되고 있습니다. 에이전트가 패스िव 텍스트 생성기에서 액티브 액터로 전환하면서, 셸 명령어를 실행, 파일을 수정, API를 호출, 웹을 탐색하는 등 안전하지 못하거나 적대적으로 조작된 행동의 결과가 즉각적이고 현실적인 것입니다. 기존의 AI 안전성 연구는 모델 정렬과 입력 필터링에 초점을 맞추었지만, 에이전트의 의도가 실제 머신에서 실제 행동으로 변하는 순간에 이를 해결하지 못했습니다. 특히 로컬 환경에서 개발자가 에이전트를 자신의 파일 시스템, 자격 증명, 인프라에 실행하는 동안 런타임 제어가 거의 없기 때문에 이러한 결함은 특히 심각합니다. 이 논문은 로컬 AI 에이전트의 런타임 안전성과 관찰성 레이어인 AgentWall을 소개합니다. AgentWall은 에이전트의 제안된 행동을 호스트 환경에 도달하기 전에 모든 행동을 중계하고, 명시적 선언적 정책에 따라 평가하고, 민감한 작업에 대한 인간 승인을 요구하고, 감사 및 재생을 위한 완전한 실행 기록을 기록합니다. AgentWall은 정책 집행 MCP 프록시와 네이티브 OpenClaw 플러그인으로 구현되어 Claude Desktop, Cursor, Windsurf, Claude Code, OpenClaw와 같은 단일 설치 명령어로 작동합니다.
AI 시스템이 반복적 자기 개선 과정을 통해 진정한 새로운 지식을 발견할 수 있는지, 그리고 그 비용은 얼마인지 살펴본다. NOVA 프레임워크를 통해 지식 공간을 모델링하고, 지식이 한정된 영역을 덮을 수 있는 충분한 조건을 정의한다. 또한, 지식이 누적되는 과정에서 발생하는 오류를 분석하고, 지식이 누적되는 비용을 계산한다.
대규모 언어 모델의 생산성은 기계 학습의 원리에 의해 신뢰할 수 있지만, 생성된 텍스트의 내용에 대한 신뢰는 비슷한 원리를 기반으로 하지는 않습니다. 새로운 논리적 사고 방법을 제안하여 대규모 언어 모델의 효율성을 향상하고, 기존의 소프트웨어와 하드웨어 기반을 유지할 수 있도록 합니다.
자연어 처리 모델은 일반적으로 다음 토큰 예측 목표로 훈련되지만, 많은 다운스트림 애플리케이션은 시퀀스 수준의 속성을 추정하거나 제어할 수 있는 능력을 필요로 합니다. 다음 토큰 예측은 훈련 중에 지역 패턴에 대한 과적합, 전역 구조에 대한 과소적합, 그리고 인플루언스 시간에 전역 속성을 예측하거나 안내하기 위한 다운스트림 수정 또는 비싼 샘플링이 필요합니다. 이에, 우리는 속성에 대한 조건부 속성 변환기(Conditional Attribute Transformers)를 소개합니다. 이 프레임워크는 단일 전방 패스에서 세 가지 중요한 기능을 제공합니다: (1) 시퀀스 전체에서 각 토큰에 대한 신용 부여, (2) 대체 다음 토큰 선택에 대한 속성 차이량의 계산, (3) 다음 토큰과 속성 확률의 조합에 기반한 시퀀스 디코딩.
대규모 언어 모델(LLM)은 단일 턴에서 복잡한 지시를 따르지만, 장기적인 멀티 턴 상호 작용에서 지시, 인격, 규칙을 잃을 수 있다. 이 감소는 행동적으로 측정되었지만, 기계적으로 설명되지 않았다. 우리는 주제 정의 토큰이 주의의 통로를 통해 더 이상 액세스할 수 없게 되며, 주제 관련 정보는 잔여 표현에서 지속될 수 있다는 채널 전환 설명을 제안한다. 주제 액세스성 비율(GAR)을 도입하여 생성된 토큰에서 목표 정의 토큰으로 주의를 측정하고, 슬라이딩 윈도우 절단 및 잔여 스트림 프로브를 결합한다. 주의가 지시를 닫는 순간, 무엇이 살아남는지가 아키텍처를 드러낸다. 다양한 아키텍처에서 전환은 질적으로 다른 실패 모드를 산출한다: 일부 모델은 주의가 사라지더라도 목표 조건된 행동을 보존하고, 다른 모델은 잔여 목표 정보가 디코딩될 수 있더라도 실패한다. 이 인코딩이 발생하는 레이어는 2에서 27까지 다양하다. 모델 내의 인과적 절단이 Mistral의 주의 통로를 강제로 닫으면, 20개 사실 보존 태스크에서 반환률이 11%에서 거의 완벽한 11%로 떨어지고, 불편한 압력 기반 대조군보다 인격 제약 위반률이 높아지며, 이 모든 효과는 예측 가능한 교차 턴에서 발생한다. 선형 프로브는 Aimed 표현에서 회귀 결과를 회복시키는 AUC가 0.99까지 모든 네 가지 주요 아키텍처에서 0.99까지 달성한다. 입력 임베딩은 기대치에 머물러 있다. 다양한 아키텍처와 모델 규모에서 주의 손실과 잔여 디코딩 가능성의 간격이 목표 조건된 행동이 주의 통로가 닫히는 경우에 살아남는지 여부를 예측한다. GAR를 진단도구로, 채널 전환 프레임워크를 제어된 기계적 설명으로, 윈도우드 주의 닫기로 실패 시간을 예측하는 파라미터 예측을 기여한다.
대화의 감정 상태를 추적하는 것은 의료 및 임상적인 대화 상황에서 이해하고 대화의 지침을 줄 수 있는 중요한 요소입니다. 기존의 감정 인식 방법은 대화 단위로 작용하여 실제 대화 동적의 지속적인 단계를 숨기고 있습니다. 우리는 다중 모드 감정 표현을 이용하여 대화의 감정 상태를 지속적인 감정 상태로 모델링하는 가벼운 프레임워크를 제안합니다. 이 프레임워크는 지속적인 감정 상태를 추적하는 데 있어 가중치 요인 분산 혼합 모델-히든 마르코프 모델(Sticky Factorial HDP-HMM)을 이용합니다.
AI가 언어 환경에서 작동할 수 있도록 의사결정 프로세스를 개선하는 새로운 프레임워크를 소개합니다. 이 프레임워크는 언어 환경에서 부족한 상태 공간, 관찰-상태 매핑, 인증된 전이, 종료 기준을 제공합니다.
대규모 언어 모델(LLM)은 많은 응용 분야에서 사고 모듈로 사용되며, 효율적이지만 인간과 맞닿은 의사결정에 적합하지 않습니다. 인간과 맞닿은 의사결정은 명시적으로 명시된 목표와 암묵적 사용자 선호도가 함께 고려되어야 합니다. 그러나 암묵적 사용자 선호도를 고려하는 기존 접근법은 사용자와의 반복적인 상호작용이 필요하거나, 과제와 환경에 대한 암묵적 선호도를 일반화하지 못하여 실용적 활용성에 제한을 받습니다.
대규모 다중 모드 언어 모델(LLM)의.espresso heterogeneous한 강점이 OCR, 차트 이해, 공간적 사고, 시각적 질문에 대한 답변, 비용, 지연 시간과 같은 다양한 태스크에 걸쳐 있습니다. 이에 따라 효과적인 다중 모드 모델 라우팅은 단순히 쿼리 난이도를 추정하는 것 이상의 작업을 필요로 합니다. 라우터는 현재 이미지-질문 입력의 다중 모드 요구 사항을 각 후보 모델의 능력과 매칭해야 합니다. LatentRouter는 대규모 다중 모드 언어 모델(LLM)의 라우팅을 카운터페이탈 다중 모드 유틸리티 예측으로 형식화하는 라우터를 제안합니다.
금융 팀은 코드克斯를 사용하여 실제 작업 입력으로부터 MBR, 보고 패키지, 변동성 다리, 모델 검사, 계획 시나리오를 빌드할 수 있습니다. 이 기술은 대규모 언어 모델(LLM)과 같은 최신 AI 기술을 기반으로 하며, 금융 기관의 업무 효율성을 높이고 정확성을 개선하는 데 도움이 됩니다.
현재까지 사용한 모든 AI 모델은 동일한 방식으로 작동합니다. 사용자가 말하면 AI가 듣고, AI가 응답하면 사용자가 듣습니다. 하지만 생각하는 기계는 이 방식을 바꾸기 위해 하나의 모델을 개발 중에 있습니다. 이 모델은 사용자의 입력을 처리하고 동시에 응답을 생성하여 전화 통화와 같은 형태로 작동합니다.
대규모 언어 모델(LLM)들은 많은 수학적 문제에서 강력한 잠재력을 보여주었지만, 그래프 알고리즘적 작업에서 여전히 불만족스러운 성능을 보이고 있다. 그래프의 자연스러운 복잡성은 더 큰 그래프에서 체계적인 다단계 사고를 필요로 하기 때문이다. 이 단점을 보완하기 위해, 우리는 그래프DC라는 분할-정복 멀티 에이전트 프레임워크를 제안한다. 이 프레임워크는 입력 그래프를 작은 서브그래프로 분할하고, 각 서브그래프를 지역적인 사고를 위한 특화된 에이전트에 할당하고, 마스터 에이전트를 이용하여 지역적인 출력과 서브그래프 간 정보를 통합하여 최종적인 해결책을 얻는다. 이 계층적 설계는 개별 에이전트의 사고 부담을 줄이고, 컴퓨팅 부하를 완화하고, 대규모 그래프 인스턴스에서 더 강한 내구성을 제공한다. 실험 결과, 그래프DC는 다양한 작업과 규모에서 그래프 알고리즘 사고에 있어 기존 방법보다 지속적으로 우수한 성능을 보인다.
기계 학습에서 대응성 평가가 대개 모델 수준의 평가로 변해버렸습니다. 영향력 있는 벤치마크는 고정된 입력에 대한 모델 출력을 평가합니다. 예를 들어, 진실성, 지시를 따르기, 쌍별 선호도 등입니다. 이러한 점수를 종종 배포된 대응성을 지지하는 주장에 사용합니다. 이 논문은 배포 관련 대응성이 단독으로 모델 수준의 평가에서 유추될 수 없다는 것을 주장합니다. 대응성 주장은 대신에 증거가 수집되는 수준에 따라 인덱싱되어야 합니다: 모델 수준, 응답 수준, 상호 작용 수준, 또는 배포 수준. 두 가지
인공 지능이 지원하는 개인 보조기(Pro$^2$Assist) : 지속적인 단계 인식에 기반한 대비적 보조기와 멀티모달 에โก 센트릭 인식으로 인한 장기 절차적인 작업의 지원 장기 절차적인 작업은 일상 생활에서 흔히 볼 수 있는 작업들이다. 최근 대규모 언어 모델(LLM)의 발전으로 인해 일상 활동을 지원하는 개인 보조기들이 등장했다. 하지만 기존의 시스템들은 주로 사용자의 질의에 의해 트리거되는 반응적인 지침 제공 또는 격리된 단기 사건에 대한 제한적인 대비적 보조기 제공에 그치고 장기 절차적인
감정 인식에서 부정적인 감정을 표현하는 임상적 추상 개념을 불특정 임상 상호 작용에서 모델링하는 것은 독특한 도전이다. 우리는 ADAPTS(대인적 분해를 위한 증상 추적에 대한 자동화된 프로토콜 무관 Framework, Agentic Decomposition for Automated Protocol-agnostic Tracking of Symptoms)라는 framework를 제시한다. 이 framework는 mixture-of-agents 대규모 언어 모델(LLM) 아키텍처를 사용하여 우울증과
