전체 기사
대규모 언어 모델(LLM) 에이전트가 실제-world 애플리케이션에서 웹 검색과 깊은 연구와 같은 장기 목표를 수행하는 경우, 쌓인 컨텍스트는 장기 컨텍스트 손상과 사고를 유발할 수 있다. 이전 연구에서는 에이전트의 컨텍스트 관리를 위해 에이전트 내의 컨텍스트 제어나 고정 전략(요약 등)을 사용하였지만, 에이전트를 다시 학습해야 하므로 닫힌 소스 에이전트에 불편함을 주고, 다른 에이전트에 다
지식 그래프(KG) 추론에서 논리 규칙은 해석 가능성과 관계 패턴을 모델링할 수 있는 능력으로 지식 그래프의 기본적인 구성 요소입니다. 그러나 기존 규칙 탐색 방법은 단순한 chain-like 규칙에만 집중하고 그래프와 같은 구조의 richer 관계 정보를 무시합니다. 특히, 그래프와 같은 규칙은 탐색 공간의 combinatorial 폭발로 인해 계산적인 성능이 저하됩니다. 이 한계는 또한
대인간 논리 시스템의 신뢰성을 높이는 데 있어, 도구 호출 환경 간 일반화가 큰 과제로 남아 있다. 개별 벤치마크에서 강력한 결과를 달성하는 대규모 언어 모델(LLM)도, 논리 전략의 조합, 중간 상태의 보존, 도메인 간 도구의 조정 등에 대한 능력은 여전히 미흡하다. 우리는 MAVEN(Modular Agentic Verification and Execution Network)이라고 하는 가
건강 관리 기관의 전략적 제공자 반응은 건강 관리 기관 자체와 분리되지 않는다: 기존의 건강 관리 AI 벤치마크는 이러한 반응을 고정하고 있기 때문에 기관이 생성하는 균형에 따라 기관을 평가할 수 없다. 우리는 병원 기관 설계를 대규모 언어 모델(LLM) 기반 프로그램 합성으로 재구성한다: 형식화된, 검사 가능한 규칙 프로그램은 Medi-Sim이라는 다중-agent 시뮬레이터의 다섯 가지 전
구조 기반 정보를 활용한 리로팅 Levin Tree Search는 복잡한 단일 에이전트 결정론적 문제를 해결하기 위해 효과적인 정책 Tree Search 알고리즘입니다. 그러나 이전의 알고리즘은 명시적인 subgoal 생성이 발생하여 성능 저하를 일으켰습니다. 본 논문에서는 $\sqrt{\text{LTS}}$ 알고리즘을 활용하여 learned rerooter를 설계하여 이러한 제한을 극복하고자 합니다.
의료 결정-making( Clinical Decision-making, CDM)은 실제-world 의료 워크플로우에서 중요한 역할을 하며, 의사들은 불완전한 증거를 기반으로 진단을 추론하고 치료를 선택하거나 미래의 건강 결과를 예측한다. 대규모 언어 모델(LLM)은 강력한 언어 능력, 광범위한 생의학 지식, 효율성으로 인해 이러한 결정에 지원하기 위해 점점 더 많이 사용되고 있지만, LLM이
대규모 언어 모델(LLM) 에이전트는 점점 더 편집 가능한 외부 장치인 프롬프트, 기술, 기억, 도구와 같은 편집 가능한 외부 장치로 구성된 시스템으로 구축되고 있습니다. 이들 장치가 모델 매개 변수를 변경하지 않고 작업 수행을 조절합니다. 장치 자기 진화는 이러한 에이전트를 실행 증거를 통해 이러한 장치를 업데이트하여 적응합니다. 그러나 모델의 기본 작업 수행 능력은 장치 자기 진화의 능력
인공 지능이 운전하는 차량의 강화 학습 탐색은 본질적으로 위험합니다: agent는 새로운 행동을 경험해야 학습할 수 있지만 탐색은 충돌이나 도로 밖으로 나가는 것과 같은 위험을 초래할 수 있습니다. 우리는 전문가 조언을 탐색을 안내하는 데 사용하여 장기적인 의존성을 피하면서 불확실성에 대한 유각 framework를 제안합니다. 조언은 epistemic [epistemic 불확실성] 또는 al
First-Person Shooter 게임의 레벨 디자인에 대하여 MAP-Elites(품질 다양성 알고리즘 중 하나) 알고리즘을 적용하는 연구를 진행했습니다. All-Black와 Grid-Graph와 같은 두 가지 기존의 지도 표현 방식과 Point-Line과 Spatial-Layout라는 두 가지 새로운 표현 방식을 소개했습니다. FPS 게임의 지도에 대한 topological proper
연구 논문(arXiv:2605.30563v1)에서 발표된 내용입니다. 사전 계획 표현의 한 형태인 요인화된 작업(task)은 조건부 효과, 불확실성, 그리고 불가결한 조건의 한 형태를 포함하는 SAS+를 확장한 것입니다. 이는 전통적인 형식인 STRIPS나 SAS+와 같은 작업들의 더紧한 표현을 지원하며, 다양한 작업 변환을 지원합니다. 그러나 기존의 계획 방법은 힌트 검색 방법에만 제한되어
물리적으로 올바른 상호 작용 가능한 인공지능(AI) 세계 모델이 필요하다: 행동 결과를 지배하는 물리적 구조를 대표하여 intervention query에 답할 수 있도록 구성되어야 한다. 단순히 미래 관찰을 예측하는 것만으로는 부족하다. 기존의 관찰-예측 세계 모델은 물리적으로 잘못된 롤아웃을 생성할 수 있지만 시각적으로 가능성이 높다. 이러한 실패는 구조적이다. DISTINCT PHYSI
물리학 문제를 텍스트에서 다이어그램으로 생성하는 것은 물리 법칙을 엄격히 지키는 것을 요구한다. 현재 생성 모델은 시각적으로 가능성이 높은 출력을 생성하지만, 힘 벡터를 무작위로 생성하고, 보존 법칙을 무시하고, 기하학적 제약을 위반한다. 우리는 물리 법칙을 지키는 신경符号 pipeline인 PhyDrawGen을 제안한다. 먼저 대규모 언어 모델이 문제 텍스트에서 유형화된 장면 그래프를 추출
