에이전트 5월 29일
어도비의 대화형 인공지능_AGENT은 평범한 디자인 인턴
나는 AI 이미지를 만드는 도구가 창의적인 프로세스에 내가 참여하는 느낌을 주는 경우가 거의 없다고 생각합니다. 그들은 대부분 사람들에겐 디자인 경험이 없는 사람들도 몇 단어만 입력하면 사용할 수 있는 결과를 얻을 수 있도록 설계되었습니다. 그래서 나는 애드비브(Adobe)의 최신 AI 이미지 도우미에 대한 시도에 흥미를 느끼게 되었습니다.
검색
전체 기사
산업 5월 29일
미래의 로봇을 훈련하기 위해 집을 청소하는 무료 AI 스타트업
AI 교육 스타트업 Shift는 당신의 집을 무료로 청소해 줄려고 한다. 그 조건은 - website에 적혀 있든지, 그래도 항상 조건이 있거든 - Shift는 청소하는 동안 영상을 녹음하고, 청소하는 사람들을 통해 로봇을 교육하기 위해 사용할 것이다. Shift는 사회_media를 통해 이 이상한 제안을 발표했다.
에이전트 5월 29일
호기심을 관리하는 대인격 AI, 중첩 학습 및 AI 지속 가능성에 대한 의미론적 캐싱
호기심은 대규모 언어 모델 시스템의 신뢰도에 대한 주요 장애물로, 특히 다중 agent pipe라인에서 지원되지 않는 주장들이 무제한으로 단계별로 전파될 수 있다. 이 연구에서는 Nested Learning 아키텍처를 대규모 언어 모델 시스템에 적용하여 호기심을 줄이는 새로운 방법을 제안한다.
에이전트 5월 29일
도화상태 기반의 연속적 신뢰도 기반의 상대자 형성
인간의 협력은 종종 다른 사람들의 믿음을 전략적으로 행동으로 영향시키는 능력에 의존한다. 다중 agent 강화 학습에서 상대방의 형성을 시도하려면 종종 상대방의 매개변수, 정책, 또는 가치 공간 내에서 작동한다. meanwhile, hidden-role 게임에서 믿음 조작 기법은 종종 유도 또는 믿음 saturation과 같은 고정된 목표에 의존한다. 우리는 D-BOS( Differentia
AI 모델 5월 29일
AI 교육에서 전문가들의 믿음과 행동: DOT Framework 설문조사 결과
AI가 교육과 학습에 통합되는 데 대한 전문가들의 믿음과 행동을 조사한 연구 결과가 나왔다. 연구 결과, 전문가들은 AI를 교육 지원으로 긍정적으로 보고 있지만, 인공지능의 기능적 능력과 감독 및 관리, 교수자와 협력 및 계획과 같은 세 가지 요소로 구분되는 믿음의 구조를 가지고 있다.
AI 모델 5월 29일
톤을 주의하라: tones는 LLM의 성능을 어떻게影響하는가?
대규모 언어 모델(LLM)의 성능은 입력 문장의 스타일과 ton에 따라 달라질 수 있다. 본 연구에서는 objective 여러 선택지 문제에 대한 LLM 정확도의 차이를 tonal 변형된 입력 문장에 의한 영향을 조사한다. 본 연구에서는 두 개의 데이터 세트를 사용한다: 50개의 문제를 포함한 다섯 가지 tonal 변형의 데이터 세트와 570개의 문제를 포함한 57개의 주제를 가진 세븐 가지
LLM PC 5월 29일
모델이 서로 다르면: 공개 댓글 분석을 위한 LLM 평가의 재고
정부 기관들은 대규모 언어 모델(LLMs)을 이용하여 공공 의견 데이터베이스를 분류하고 있다. 이 모델의 분류 방식은 정책 결정자들이 어떤 의견을 보고 어떤 논리를 인정하는지에 영향을 미친다. 현재 사용되고 있는 평가 방식은, 작은 수의 검증된 데이터와 비교하여 입장 정확도에 기반을 두고 있다. 이 평가 방식은 같은 공공 의견에 대해 다른 모델이 다르게 분류하는 것을 감지하지 못한다. 우리는
AI 모델 5월 29일
LLM 대화 트렌드에 대한 새로운 통찰: 사용자 행동의 지속성과 다양성
연구팀은 대규모 언어 모델(LLM)과 사용자 간의 대화 트렌드를 분석하여 사용자의 행동이 시간이 지나면서 어떻게 변하는지 알아보았다. 결과적으로 사용자의 행동은 시간에 따라 크게 변하지 않고, 사용자별로 행동의 스티커가 강하다는 것을 발견했다. 또한 사용자의 활동 수준에 따라 대화의 성공률과 LLM 사용의 복잡도와 전문성에 차이가 나는 것으로 밝혀졌다.
AI 모델 5월 29일
AI 시뮬레이션 도구를 위한 새로운 기준점: BEAMS
BEAMS( Benchmarking and Evaluating AI for Modeling and Simulation )은 AI 도구를 위한 새로운 기준점을 제시하며, 인간 중심의 시뮬레이션 모델링을 위한 책임과 윤리를 강조합니다. 이)initiative는 AI 도구를 평가하고 개선하기 위해 공동으로 협력하고 있습니다.
LLM PC 5월 29일
다중 모드_AGENT 프레임워크: 엔드 투 엔드 자동 유한 요소 분석
유한 요소 분석(FEA)은 현대 공학 설계의 기초를 담당하지만, 워크플로우는 복잡하고 전문 지식에 의존한다. 최근 연구에서는 대규모 언어 모델(LLM)을 유한 요소 분석에 통합했지만, 기존 접근법은 다중 모드 입력을 처리하고 복잡한 작업을 수행하는 데 제한이 있다. 이러한 제한을 해결하기 위해, 우리는 VFEAgent라는 엔드 투 엔드 다중 Agent 시스템을 제안한다. 이 시스템은 입력 이미지를 포함한 다중 모드 입력과 문제 설명을 통해 유한 요소 모델링과 시뮬레이션을 자동화한다. 시스템의 주요 구성 요소는 다중 모드 비전-언어 다중 Agent PIPELINE과 확인-first 코드 합성 프레임워크이다. 시스템은 다양한 공학 역학 시나리오에서 평가되었으며, 결과는 VFEAgent가 높은 성공률로 완전하고 물리적으로 유효한 시뮬레이션을 생성하며, LLM 기반 기본 메서드보다 신뢰성과 정확성을 뛰어난 성능을 보여준다. 이러한 결과는 엔드 투 엔드 유한 요소 분석 워크플로우의 자동화를 가능하게 하며, 엔지니어들이 번거로운 수동 분석에서 해방되도록 하는 프레임워크의 잠재력을 강조한다.
에이전트 5월 29일
자연형 특성의 온톨로지 구축 지연을 극복하는 프런티어 LLM 기반 agent
비 텍스트 형태의 유전 특성 설명을 개체-품질(Entity-Quality, EQ) 어휘로 연결하는 것, 즉 유전 특성 어휘화는 비교 형태학적 데이터의 연구 간 통합을 위한 필수 과제입니다. 이 번역 작업은 매우 훈련된 전문가에 의해 수행되었기 때문에 대규모로 확장하기 어려우며 이는 주요 걸림돌입니다. Dahdul 등(2018)은 일곱 가지 계통학적 연구에 걸쳐 Entity-Quality 어휘
연구 5월 29일
직교 개념 지우기 diffusion 모델의 개념
concept 삭제를 위한 방안으로서 diffusuion 모델 내의 불쾌하거나 위험한 콘텐츠를 제거하는 concept erasure는 새로운 접근 방식으로 등장하였습니다. 그러나 기존의 방법은 여전히 한계를 가지고 있습니다. 기반 학습 기반의 방법은 효과적이지만, 높은 계산 비용으로 인해 확장성에 제한이 있습니다. 편집 기반의 방법은 효율적이고 배포 가능하지만, 동시에 정교한 concept