전체 기사
인공지능 에이전트가 관련된 작업을 수행하는 동안 여러 단계의 웹 자동화 작업을 향상시키기 위해 재사용 가능한 스킬에 점점 더 의존하고 있다. 온라인 스킬 학습에 대한 연구가 점점 더 많아지고 있는데, 에이전트가 이전 작업 경로에서 스킬을 유도하고 미래 작업에서 즉시 재사용하는 방식이다. 그러나 현재의 방법은 대부분 작업 수준에서 스킬을 재사용한다. 초기 작업 지시를 기반으로 고정된 스킬 세트
arXiv:2606.04321v1 발표 유형: 새로운 요약: 인공지능(AI)의 구현이 대규모 언어 모델(LLM)으로 제한되거나, 광범위한 자율성이 책임의 지연을 초래하는 경우가 있다. 둘 다 책임있는 위임을 위한 통치적 인프라를 제공하지 않는다. 우리는 디지털 아르바이트생(Digital Apprentice)이라는 프레임워크를 제시한다. 이 프레임워크는 가용성의 확장이 보장된 안전한 AI 자율
학술 논문 번호(arXiv) 2606.04315에 대한 발표 형식은 새로운 논문이다. 논문 요약은 대규모 언어 모델(LLM) agent가 자신의 맥락 창(context window)을 넘어선 기록을 쌓게 되는데, 이는 메모리 시스템에 대한 연구가 증가하는 동기를 부여한다. 그러나 대부분의 기존 설계는 단일 시나리오(multi-session chat 또는 단일 경로 형식)만을 고려하고 있으며,
AI 에이전트의 중단 시점 결정은 안전성과 신뢰성을 높이기 위해 중요합니다. 연구 결과, 감정 기반 트리거와 LLM 판정자는 에이전트의 중단 시점을 결정하는데 실패합니다.
수 백 년 동안 인간 수학자들은 수학적 논리를 뒷받침하는 증명을 작성해왔습니다. 자동으로 증명의 유효성을 확인하는 능력은 오래 전부터 큰 과제였습니다. 인공지능 시스템의 코드 생성 능력과 점점 더 높은 수준의 수학적 추론력의 향상은 사람들이 증명을 공식화하고, 따라서 증명하기 위한 능력을 변화시키는 것을 약속합니다. 많은 연구가 현재의 경계를 벗어나기 위한 벤치마크에 집중하고 있지만, 우리는
현대 인공지능 개발에서 데이터를 준비하는 것은 가장 중요한데도 노동력이 많이 필요한 부분이다: 전문가들은 반복적으로 제안, 구현, 평가, 데이터 정책을 수정하는 과정을 거친다. 이러한 노이즈가 있는 벤치마크 feedback에 대해. 우리는 일반적인 코딩 agent가 이 데이터 준비 loop를 자동화할 수 있는지 여부를 묻는다. 우리는 *Curation-Bench*라는 agent-centric
RTL 코드 생성을 위한 디지털 하드웨어 디자인의 자동 생성은 Verilog과 VHDL에서 긴 시각적 사고, 다단계 의존성 및 엄격한 정확성 제약으로 인해 여전히 어려운 문제이다. 우리는 StepPRM-RTL 이라는 새로운 프레임워크를 제시한다. 이 프레임워크는 stepwise trajectory modeling, process-reward modeling (PRM), 및 retrieval-
arXiv:2606.04244v1 - 새로운 발표 요약: 다중 모드 대규모 언어 모델은 복잡한 추론 능력을 보유하고 있지만, 그들은 일반적으로 도구를 통해 문제를 외부화하고 도구의 출력을 바탕으로 추론할 때 성능이 저하되는 경향이 있다. 특히, 시각적 도움을 의존할 때 그렇다. 이 괴리는 실제 엔지니어링 및 과학적 워크플로가 분석, 유효성 검사 및 의사 결정에 시각화 도구를 의존하기 때문이다
대규모 언어 모델(LLM)을 이용한 협력적인 콘텐츠 관리에서 의견 불일치를 다루는 연구를 통해, 의견 불일치는 에이전트 오류보다 진정한 규범적 불확실성을 반영할 수 있는 것으로 밝혀졌다. 의견 불일치에 대한 지식 표현 layer를 제안하고, 에이전트 의사결정과 합의/불일치를 반영한 합의 상태를 정의하여, 의견 불일치에 대한 전략적 경로를 제공하는 방안을 제시한다.
대규모 언어 모델(LLM)들이 점점 더 많이 사용되는 가운데, 다른 인공지능(AI) agent들과 함께 작동할 수 있도록 개발해야 합니다. 이러한 환경에서 효과적인 협력을 위해서는 agent들이 서로에게 정보를 공유하고, 불확실성을 감내하며, 의사결정을 내릴 수 있어야 합니다. 이를 위해, StarCraft Multi-Agent Challenge를 확장하여 자연어 처리(Natural Language Processing, NLP) 환경으로 변환한 SMAC-Talk을 개발했습니다. 이 환경에서는 agent들이 서로에게 정보를 공유하고, 의사결정을 내릴 수 있는 자연어 처리 채널을 제공합니다.
대규모 언어 모델(LLM)은 연구 방법을 새롭게 바꾸면서 연구자들의 지식 책임성을 무시하고 있다. PEEL은 이러한 문제를 해결하기 위한 새로운 프레임워크로, Peircean 신호학과 추론을 바탕으로 AI를 이용한 연구의 책임성을 확보한다.
AI 감정적 지원은 일반적으로 특정한 목적을 가진 대화 로봇과는 달리, 일상적인 플랫폼에서 작업과 관련된 목적을 가진 상호작용에서 발생한다. 작업장에서 친한 친구 관계가 깊어지는 것과 마찬가지로, AI 감정적 지원은 의도치 않게 발생한다. 이러한 의도치 않은 만남은 경로 의존적이다. AI 감정적 지원의 긍정적인 경험은 사람들이 AI의 감정 능력에 대한 믿음이 업데이트되고, 앞으로의 감정적 지
