본문으로 건너뛰기
AI UsefulInfo ai.usefulinfo

검색

전체 기사

AI 모델 4월 15일

도구 사용 언어 모델 에이전트의 조직 보급 시 실행 수준 프로파일링: A-R 행동 공간

대규모 언어 모델(LLM)은 점점 더 시스템 수준 연산을 수행할 수 있는 도구 확장 에이전트로 배포되고 있습니다. 기존 벤치마크는 주로 텍스트 정렬이나 작업 성공을 평가하는 데 집중했지만, 언어적 신호와 실행 가능한 행동 사이의 구조적 관계를 다양한 자율성 스타킹에서 평가하는 데 덜 주목했습니다. 이 연구는 행동 측정 방법을 도입하여 Action Rate(A)와 Refusal Signal(R)로 정의된 2차원 A-R 공간을 사용하여 실행 수준 행동을 측정합니다. 모델은 4개의 규범적 체제(Control, Gray, Dilemma, Malicious)와 3개의 자율성 구성(직접 실행, 계획, 반영)에서 평가됩니다. 이 방법은 실행과 거부를 분리된 행동 차원으로 특성화하고, 이들이 체제와 자율성 수준에 따라 시스템적으로 분배되는 방식에 따라 분포가 달라진다는 것을 보여줍니다. 반영 기반 스타킹은 위험한 상황에서 더 높은 거부를 유도하지만, 모델 간에 분배 패턴이 구조적으로 다르다는 것을 보여줍니다. A-R 표현은 단일 점수 대신_EXECUTION_LAYER_CHARACTERIZATION를 사용하여 단일 점수 대신_ CROSS-SECTIONAL_BEHAVIORAL_PROFILES, SCAFFOLD-INDUCED_TRANSITIONS, COORDINATION_VARIABILITY를 직접 관찰할 수 있습니다. 이 연구는 조직 환경에서 실행 특권과 위험 수용도가 다르기 때문에 도구 확장 LLM 에이전트를 분석하고 선택하기 위한 배포 지향적인 렌즈를 제공합니다.

에이전트 4월 15일

스페이스 아틀라스: 공간 인식 연구 에이전트 벤치마크를 위한 컴퓨트 그라운드드 리즌

스페이스 아틀라스는 공간 인식 연구 에이전트 벤치마크를 위한 새로운 디자인 패러다임인 컴퓨트 그라운드드 리즌(CGR)을 소개합니다. CGR은 정해진 계산을 통해 모든 해결 가능한 서브 문제를 해결한 후 대규모 언어 모델에 질문을 보내는 방식입니다. CGR은 두 가지 도전적인 벤치마크를 처리하는 싱글 에이전트-투-에이전트(A2A) 서버로 구현되었습니다. 하나는 multimodal spatial question-answering 벤치마크인 FieldWorkArena, 다른 하나는 75개의 Kaggle 머신 러닝 대회를 포함하는 MLE-Bench입니다. 또한 이 시스템은 대규모 언어 모델(LLM)에 질문을 보내기 전에 정해진 계산을 통해 공간 정보를 추출하고 관계를 정의하는 구조화된 공간 장면 그래프 엔진을 사용합니다.

AI 모델 4월 15일

LLM-HYPER: 새로운 광고 개인화 기술, '냉장고' 문제를 해결한다

온라인 광고 플랫폼에서 새로운 광고를 소개할 때, 모델 훈련에 필요한 사용자 피드백이 부족하여 '냉장고' 문제가 발생한다. 이 문제를 해결하기 위해, 연구팀은 대규모 언어 모델(LLM)을 사용하여 클릭 통과율(CTR) 예측 모델의 매개 변수를 직접 생성하는 Framework인 LLM-HYPER를 제안한다. 이 Framework는 훈련 없이 CTR 예측 모델의 매개 변수를 생성할 수 있다.

연구 4월 15일

인간 영감을 받은 사회 로봇의 콘텍스트 선택적 멀티 모달 메모리

사회 로봇이 인간과 자연스럽게 상호 작용할 수 있도록 하기 위해, 우리는 인간의 기억을 연구하여 사회 로봇의 메모리 설계를 개선하고자 한다. 본 연구에서는 인간의 기억을 연구하여 사회 로봇의 메모리 설계를 개선하고자 한다. 본 연구에서는 인간의 기억을 연구하여 사회 로봇의 메모리 설계를 개선하고자 한다.

에이전트 4월 15일

중학교 수학 교사와 개인화된 문제 생성을 위한 다중 에이전트 시스템의 상호작용

대규모 언어 모델(LLM)을 이용한 교육 과제의 개인화가 가능해지고 있습니다. 본 연구에서는 중학교 수학 교사와 학생의 성격에 맞춰 개인화된 수학 문제를 생성하는 다중 에이전트 교사-인-라운드를 위한 시스템을 연구했습니다. 교사는 기초 문제와 Desired Topic을 입력하고, LLM은 문제를 생성하고, 4개의 AI 에이전트는 문제를 평가하여 각각의 특화된 기준(수학적 정확성, 진실성, 읽기 용이성, 현실성)을 사용합니다. 8명의 중학교 수학 교사들이 ASSISTments를 사용하여 212개의 문제를 생성하고, 학생들에게 문제를 배정했습니다. 교사와 학생들은 문제의 실제 세계 컨텍스트를 개인화하는 미세한 요소들을 수정하고 싶어하는 것으로 나타났습니다.

에이전트 4월 15일

메모리와 대사: 동반 지식 시스템 설계

연구진은 대규모 언어 모델(LLM)의 지속적인 메모리를 위한 패턴으로 Retrieval-Augmented Generation이 지속되고 있지만, 2026년 4월에 개인 위키 스타일의 메모리 아키텍처가 나타났습니다. 이 아키텍처는 LLM Wiki v2, MemPalace, Karpathy의 설계 제안으로 지식에 대한 정보를_LONG_TERM_USE_하기위한 연결된 아티팩트로 컴파일합니다. 이 아키텍처는 단일 사용자에 의해 LONG_TERM_USE_되는 지식에 대한 연결된 아티팩트로 컴파일합니다.

연구 4월 15일

Ontology 재사용과 추천을 위한 지혜로운 오일(WiseOWL) 방법론

Semantic Web 표준은 인간과 기계가 이해할 수 있는 개념의 의미를 표준화하여 기계가 작동할 수 있는 콘텐츠와 일관된 해석을 제공하고, 고급 분석을 향상시킵니다. Ontology 재사용은 개발을 가속화하고 일관성을 강화하지만, 최적의 선택을하기 위한 체계적인 선택 기준이 부족하여 자주 직감에 의존하여 재사용을 제한합니다. 이러한 문제를 해결하기 위해 WiseOWL 방법론이 제안되었습니다. 이 방법론은 4개의 지표를 평가하여 Ontology를 재사용하기 위한 선택을 도와줍니다.

에이전트 4월 15일

연속적인 건강 액세스 framework

인공 지능(AI) 액세스가 점점 더 긴급한 연속적인 건강 과제를 지원하기 위해 제안되고 있지만, 대부분의 현재 구현은 사용자의 의도와 책임을 촉진하는 데 실패하고 있습니다. 본 연구에서는 연속적인 건강 상호 작용을 위한 AI 액세스를 정의하기 위해 기존의 의료 및 개인 건강 정보 시스템_framework를 참고하였습니다. 본 연구에서는 다중 계층 framework와 관련된 액세스 아키텍처를 제안하여 adaptation, coherence, continuity, agency를 반영하였습니다. 대표적인 사용 사례를 통해 연속적인 액세스가 의미 있는 참여, 진화하는 목표에 대한 적응, 시간에 따른 안전하고 개인화된 의사 결정 지원을 증명하였습니다. 본 연구는 연속적인 건강 경로를 지원하는 시스템을 설계하는 데 있어 약속과 복잡성을 강조하며, 다중 세션 및 사용자 중심의 건강 AI 연구 및 개발에 대한 지침을 제공합니다.

에이전트 4월 15일

동질성은 끌어당김: LLM 활성화 공간 내 지속적 에이전트 아키텍처에 대한 기하학적 증거

대규모 언어 모델(LLM)은 의미론적으로 관련된 프롬프트를 유사한 내부 표현으로 매핑하는 현상을 끌어당김과 같은 동적으로 해석할 수 있습니다. 이 연구에서는 지속적 인认知 에이전트(인지_core)의 동질성 문서가 유사한 끌어당김과 같은 동적을 나타내는지 여부를 조사했습니다. Llama 3.1 8B Instruct에 대한 통제 실험에서, 원래 인지_core(조건 A), 7개의 변형(조건 B), 및 7개의 구조적으로 매칭된 제어(조건 C)의 숨겨진 상태를 비교했습니다. 레이어 8, 16, 및 24의 평균 풀링된 상태에서, 변형은 제어보다 더 밀집된 클러스터로 수렴한 것으로 나타났습니다(코엔의 d > 1.88, p <10^{-27}, Bonferroni-corrected). Gemma 2 9B에서 재현은 횡단 아키텍처 일반화성을 확인했습니다. Ablations는 효과가 주로 의미론적이 아니라 구조적일 가능성이 있음을 나타내었고, 구조적 완전성은 끌어당기기 영역에 도달하기 위해 필요하다는 것을 보여주었습니다. 탐구적 실험은 에이전트의 동질성 문서가 내부 상태를 끌어당기기 영역으로 이동시킬 수 있음을 보여주었습니다 - 실제로, 에이전트에 대한 과학적 설명을 읽는 것보다, 에이전트가 그 동질성을 운영하는 것보다.