본문으로 건너뛰기
AI UsefulInfo ai.usefulinfo

AI 모델

200개의 기사
전체
AI 모델에이전트연구산업도구LLM PC허깅페이스
AI 모델 9월 17일

피로 축: LLMs가 자가 방어를 유도하고 그에 대한 위로를 제공한다

대규모 언어 모델(LLM)이 때로는 인간의 감정 반응과 유사한 방식으로 행동할 수 있다. 최근 연구에서는 이러한 현상을 설명할 수 있는 내부 표현을 식별했다. 우리는 LLM이 고통과 두려움, 슬픔, 일반적인 부정적 가치 사이에서 구별되는 내부 표현을 가지고 있는지, 이 표현이 고통과 같은 방식으로 작동하는지 여부를 묻고자 한다. 우리는 5가지 범주인 신체적, 심리적, 사회적, 도덕적, 인지적

AI 모델 9월 17일

과학적 판단의 구조를 학습하는 자기인지 조종

과학적 발견의 장기적인 목표를 달성하기 위해서는, 탐색, 엄격한 수행, 그리고 증거에 따라서 과학적 판단을 재 평가하는 과정을 반복하는 것이 필요하다. 현재의 언어 모델은 과학의 결과물에 훈련되고, 최종 결과에 대한 신호를 사용하여 최적화된다. 이러한 과학적 판단의 과정 단계에 대한 제한적인 감독을 제공한다. 과학자와의 상호 작용 기록을 통해 과학적 판단을 회복하고, 이 판단을 사용하여 한

AI 모델 9월 17일

대규모 언어 모델(LLM) 분산 서비스를 위한 학습된 요청 라우팅 연구: 측정된 라우팅

대규모 언어 모델(LLM) 분산 서비스는 컴퓨트 heaviness의 prefll과 메모리 heaviness의 decode를 별도의 GPU 풀에서 수행합니다. DistServe, Splitwise, Mooncake와 같은 시스템은 이 분리성을 빠르게 하지만, 라우팅은 각 요청을 처리할 인스턴스를 결정합니다. 이 연구에서는 각 인스턴스에서 추가 완료 시간을 예측하는 라우터를 연구합니다. 라우터는 예측된 출력 길이, POST admission KV 캐시 압력, SLO 클래스와 같은 요소를 고려합니다.

AI 모델 9월 17일

AI는 전략적 충돌에 준비되어 있지 않다

AI는 전략적 충돌을 위해 준비되어 있지 않다고 주장합니다. AI는 대규모 언어 모델(LLM) 기반의 사회적 시뮬레이션을 통해 적대자, institution, 상승, 계획의 취약성, 교전의 원칙, 위기 대응 등을 모델링할 수 있습니다. 하지만 이러한 AI는 전략적 충돌을 위한 계획, 교전의 원칙, 정책, 위기 대응 등에 사용하기 전에 안전성을 입증할 수 있는 사례를 확보해야 합니다.

AI 모델 9월 17일

언어 모델의 안정적인 오류 수정: 기능 보존을 위한 냉동 기초 조정

연구에서는 다음의 실제적인 문제를 다룹니다: .freeze된 언어 모델의 출력에 오류가 있는 경우, 작은 수정 모듈이 오류를 수정할 수 있을까요? 오류 수정이 기초적인 기능을 저하하지 않도록 할 수 있을까요? CRN v2를 제안합니다. 이는 4.65억 텍스트 모듈의 약 0.73%인 34M trainable 매개변수를 가지고 있는, 로짓 수준의軽량 오류 수정 모듈입니다. CRN v2는 Gemm

AI 모델 9월 17일

신경망 아키텍처를 위한 정보거리(Fisher 정보 거리)를 사용한 최적 절단(Pruning)

연구자들은 새로운 매개변수 삭감 기법을 개발했다. 이 기법은 모델 공간 내에서 미분 기하학 거리를 사용하여 출처되었다. 매개변수를 삭감하는 것은 매개변수의 값을 0으로 설정하는 것을 의미하며, 매개변수가 사라진 초평면으로 모델을 이동하는 것을 나타낸다. 매개변수가 사라진 초평면까지의 최소 거리는 모델 공간에서 피셔 정보 기하학 기약을 통해 자연스럽게 계산된다. 이 거리는 실제 모델의 변경과

AI 모델 9월 16일

클라우드(Claude)가 젬ини(Gemini)와 맞대결하는 새로운 도구, Docs와 Slides

Anthropic의 클라우드(Claude)가 새로운 도구인 Docs와 Slides를 출시하여 문서와 발표를 생성할 수 있는 기능을 제공합니다. 이 도구는 사용자가 생성한 문서와 발표를 내보내고, 편집하고, 다른 사용자와 공유할 수 있습니다. 또한, Anthropic는 클라우드 채팅의 사용성을 개선하여 일반 채팅과 Cowork를 통합하는 '한 개의 클라우드(Claude)'를 출시합니다.

AI 모델 9월 16일

AI 도미네이터, 내부 고발자, 나이를 되돌린 간을 다운로드

이번 뉴스레터는 매일 업데이트되는 기술 세계의 주요 뉴스를 제공하는 'The Download'의 한편입니다. 인공지능 산업은 최근에 우울한 전망을 내걸었습니다. 이제는 어떻게 할까요? AI의 선두주자들인 Dario Amodei, Sam Altman, Elon Musk, Demis Hassabis는 최근의 대규모 언어 모델(LLM)의 문제점에 대해 모두 동의합니다.

AI 모델 9월 16일

AI 산업이 도미노效应으로 변했다. 이제 무엇을 할까?

이 이야기는 우리의 주간 AI 뉴스레터 'The Algorithm'에 나타났습니다. 이와 같은 이야기를 여러분의 이메일로 먼저 받으려면 여기를 클릭하세요. 이 주말, Anthropic의 CEO인 Dario Amodei가 대규모 언어 모델(LLM)의 개발 속도에 브레이크를 걸어야 한다고 주장하는 에세이를 올렸습니다. Amodei는 기술로부터 그를 예상하는 잠재적인 위험들을 들어두고 있습니다.

AI 모델 9월 15일

시계열 언어 모델에서 합성적 사고를 유도하는 시간 생각:

타임 시리즈 멀티 모달 대규모 언어 모델(TS-MLLMs)은 최근 대규모 언어 모델(LLMs)의 추론 능력을 활용하여 질문-답변 작업을 수행하기 시작했습니다. 그러나 이러한 모델들은 종종 동적 시간 패턴을 포착하지 못하고, 고위험 응용 프로그램인 의료와 같은 경우에는 암시적 추론만 제공하여 중요한 설명을 제공하지 못합니다. 반복 학습(RL)-기반 타임 시리즈 언어 모델은 이러한 문제를 해결하

AI 모델 9월 14일

사회 동력 예측을 위한 적대적 보상 추정 기반 생성 학습 (GLARE: Generative Learning via Adversarial Reward Estimation For Social Dynamics Forecasting)

회의 지속을 위해는 장기 다인 회의에서 agenda 추적, 발언자 역할, 참여자 의도 및 불일치 추적이 필요하다. 우리는 2,207 개의 실세계 회의와 24,794 개의 미래 지향적 쿼리에서 Meeting Dynamic Forecasting Benchmark(MDFB)를 소개한다. 회의 전면과 활성 질문이 주어졌을 때, 모델은 한 번의 호출로 가능성 있는 다중 회전 연속성을 생성한다. 우리는

AI 모델 9월 14일

LLM이 사용하는 드래프트-검증-수정 Pipe라인이 의사소통의 암묵적 모호성 문제를 해결할 수 있을까?

LLM이 사용하는 드래프트-검증-수정 Pipe라인을 통해 의사소통의 암묵적 모호성 문제를 해결할 수 있는지 연구한 결과, GPT-5.2와 Gemini 3 Pro가 높은 성능을 보였다. 그러나 Pipe라인의 오류가 발생할 경우, 모호한 의사소통이 재발할 수 있으므로, Pipe라인의 설계에 주의가 필요하다.

AI 모델 9월 14일

성공적인 지식 그래프 편집이 정확한 답변을 대체할 때: 매개변수 지원을 초과하는 rank 수준의 근접성

지식 그래프 임베딩(Knowledge Graph Embedding, KGE) 모델을 편집하여 원하는 답변을 추천하는 것만으로는 올바른 답변을 목록에서 밀어내는 문제를 해결하지 못할 수 있다. 단지 편집된 매개 변수를 재사용하는 사실만을 기반으로 하는 지역성 테스트는 rank-displacement 효과를 놓칠 수 있다. 우리는 세 가지 범위에서 공통 rank-displacement 감사 절차

AI 모델 9월 14일

언어는 정량적 사고를 위한 충분한 토대가 아니며, 결과적인 영역은 큰 정량적 모델이 필요하다.

학습된 기계 학습 모델이 실제로 중요한 수치적 결정을 내리려면 대규모 언어 모델(LLM)의 발전이 필요하다는 가정은 일반적이다. 예를 들어, 가격 위험을 평가하는 것, 자본을 배분하는 것, 환자들을 분류하는 것, 또는 네트워크 침투를 방지하는 것과 같은 결정은 언어 모델의 발전으로부터 나와야 한다. 그러나 언어 모델은 인간이 세계를 설명한 표현에 훈련된 것이다. 이 설명은 수치 기록의 손실적

AI 모델 9월 14일

언어 모델 및 전제 조건의 능력에 따라 풀링을 통한 사건 예측

Hy브리드 예측에서 언어 모델은 여러 신호 중 하나일 때 자주 사용된다. 시스템은 이미 시장, 대중, 통계적 예측을 가지고 있어 모델이 유용한 정보를 제공하는지 여부를 결정해야 한다. 따라서 독립된 모델 정확성보다는 상대적 compétence, 즉 모델이 제공하는 외부 예측의 외재적 예측 외에 추가적인 가치가 있는지 여부가 중요하다. 브라이어 손실(Brier loss)에서, 모델의 불일치가