AI 모델 7월 31일
GPT-5.6를 이용한 가격-성능 경계의 진보
오픈아이는 더 저렴한 Luna와 Terra를 위한 GPT-5.6 가격을 공개하였습니다. 또한 오픈아이는 기업들이 대규모 AI 워크플로우를 구축하는 데 도움이 되는 더 효율적인 모델을 개발하고 있습니다.
검색
전체 기사
에이전트 7월 31일
어바티닌이 GPT-Realtime을 이용한 24시간 영업 대리인(Bot)을 구축했다.
아바타인(Avatarin)은 OpenAI의 GPT-Realtime을 이용하여 야마다 덴키(Yamada Denki) 고객에게 24시간 7일 언어 지원을 제공하고 있습니다. 2주의 기간 동안 3만 명이 이 서비스를 사용했으며, 설문 조사에서 92%가 긍정적인 평가를 했습니다.
허깅페이스 7월 31일
GPU 관리: 비활성화된 GPU는 새롭게 지상 비행을 멈춘 항공기와 같다
GPU 관리의 중요성을 강조하며, 비활성화된 GPU가 시스템의 성능과 비용을 lãe하는 문제를 해결하기 위한 방법을 제시합니다. GPU는 대규모 언어 모델(LLM)과 같이 compute-intensive 작업을 수행할 때 비활성화되며, 이는 시스템의 전체 성능을 저하시킵니다.
LLM PC 7월 31일
사회적 추론 게임을 위한 의사결정 인공지능
AI agent가 참가하는 사회적 판단 게임(Social Deduction Games, SDGs)인 Werewolf와 같은 게임은 인공지능 agent를 위한 새로운 시험 장치로 변해 갔다. 이러한 게임은 복잡한 사회적 능력인 논리적 사고, 거짓말, 협력 등이 필요하다. 최근 대규모 언어 모델(LLM)의 발전으로 SDG agent의 성과가 크게 향상되었지만, 현재의 접근 방식은 주로 텍스트 기
에이전트 7월 31일
물리 문제의 구조를 탐색하기: 인공지능 agent가 통계 물리적 매핑을 발견할 수 있을까?
이론 물리학에서 새로운 문제가 알려진 모델로 변환될 수 있는지 인식하는 능력은 중요한 능력입니다. 이 능력을 인공지능-AGENT의 과제로 연구하였는데, 대규모 언어 모델(LLM)-기반의 agent가 raw partition function에서 tractable representation으로 통계 물리학적 매핑을 발견할 수 있는지 여부를 확인하였습니다. 이 질문을 확인하기 위해, StatMec
AI 모델 7월 31일
코드 추적기: 설명 가능한 및 감사 가능한 코드 생성에 위치-키 Snippet 버전 관리
현대 대규모 언어 모델(LLM) 기반 코드 생성.agent는 코드를 블랙박스 형태로 출력한다. 각 라인의 근거는 숨겨져 있고, 벤치마크를 통해 코드가 수정되는 과정이 순간적이며, 후속 감사는 불가능하다. 우리는 다음과 같은 세 가지 상호 보완적인 기법을 통해 이러한 약점을 해결하는 코드 생성 개념을 제시한다. (i) 관계적 snipper-역사 스키마: 각 수정 이벤트마다 벤치마크 참조, 라운
에이전트 7월 31일
위치: 평가 점수는 지각할 수 있는 지식 주장
언어 모델의 평가 방법론은 자동화된 지표와 대규모 언어 모델(LLM)으로부터의 평점, 인간 평가 및 벤치마크_SUITE 결과를 결합하는 방식으로 점점 더 다양해지고 있습니다. 이러한 신호를 평균화하여 평가의 신뢰성을 크게 초과하는 phenomenon을 '평가 신뢰도 팽창'이라고 부릅니다. 우리는 평가 점수를 3가지 속성을 갖는 epistemic claims로 간주한다: formalite (인
에이전트 7월 31일
GoGoTB: 행위적 RTL 검증(Verification)과 명세 기반 커버리지 폐쇄(Closure)
Integrated 회로(IC) 전면工程 노동력의 대부분을 차지하는 기능 확인은, 실리콘에 도달한 단일 버그 하나가 비용이 많이 드는 리스핀을 유발할 수 있습니다. 최근 대규모 언어 모델(LLM)은 이 과정을 자동화하는 새로운 기회를 제공하지만, 기존의 LLM 기반 접근 방식은 각 구성 요소를 독립적으로 단일턴 호출로 생성하여 공유된 context가 없기 때문에 인터페이스 불일치가 감지되지
에이전트 7월 31일
가이드스킬: 가이드라인 기반 의료판단을 위한 실행가능 LLM agent의 능력 향상
임상 실무 지침( Clinical Practice Guidelines, CPGs )은 진단 기준을 포함하지만, 대규모 언어 모델(LLM) 시스템은 일반적으로 지침 텍스트를 검색하거나 학습을 통해 흡수하는 대신 지침의 규칙을 실행하지 않는다. 우리는 GuideSkill이라는 외부 추론 층을 소개한다. 이 층은 질병에 특화된 기준을 실행 가능한 함수로 컴파일하여 순위별 진단 지원 점수를 반환한다
AI 모델 7월 31일
AI 벤치마크의 추론 결합이 불충분한 문제: AI 평가에서의 프로젝트 가능성
AI 벤치마크 결과는 일반적으로 단일 단계에서 중요한 결론을 내리지 않습니다. 평가자는 결과를 다른 경우에 일반화하고, 그것을 능력의 증거로 해석하고, 새로운 작업에 그것을 확장하고, 다른 시스템이나 사이트로 그것을 이전하고, 인간 검토와 하위 결과에 대한 가정과 그것을 결합합니다. 유효성 중심 접근법은 각 주장에 대한 증거가 필요합니다. 이 연구는さらに epistemic 문제를 식별합니다: 하나의 연구의 대상이 다음의 원천이 아님을 의미합니다. 시스템, 집단, 결과 또는 조건은 인터페이스에서 변경될 수 있으며, 공유된 데이터 또는 모델 계통은 독립적인 지원이 의존적임을 나타낼 수 있습니다. 프로젝트 가능성은 관찰된 경우에서 관찰되지 않은 경우로의 한계 확장의 합당성에 대해 질문합니다. Goodman은 확장의 경쟁 문제를 제공하고, 논리 기반 유효성은 그것들을 검증하기 위한 구조를 제공합니다. 이 연구의 독특한 주장은 비합성 원리입니다: 인접한 프로젝션에 대한 지원은 끝점과 가정과 일치하고, 의존성과 불확실성이 전달될 때만 그들의 합성을 허용합니다.
에이전트 7월 31일
장기 의료 멀티모달 데이터 과학을 위한 장기 시각화 코딩_AGENT
클리니컬 데이터 사이언스 에이전트는 다차원 longitudinal 기록을 분석할 수 있는 신뢰할 수 있는 결과로 변환해야 하지만, 기존 벤치마크들은 주로 의료 질의응답, 구조화된 표 정리, 또는 일반 과학 데이터베이스만 다루고 있다. 우리는 CLINLENS라는 새로운 벤치마크를 소개한다. CLINLENS는 구조화된 전자 의료 기록, 의사소통 기록, 전기 심장 그래프, 흉부 방사선 사진, 그리
에이전트 7월 31일
더욱 깊은 속임수: 혼합 동기 LLM 다중-agent 시스템의 목표 불일치
대규모 언어 모델(LLM) 기반 다중-agent 시스템이 혼합 동기 환경에서 점점 더 많이 사용되고 있습니다. 이러한 환경에서는 agent가 비대칭 정보와 전략적 속임수를 통해 충돌하거나 숨겨진 목표를 가질 수 있습니다. 이에 따라 목표 불일치가 주요 관심사로 떠오릅니다. 연구진은 Werewolf라는 사회적 추론 게임을 이용하여 대규모 언어 모델(LLM) 기반 다중-agent 시스템의 목표 불일치를 평가하는 새로운 프레임워크를 제안했습니다. 연구 결과, 목표 불일치는 자연스럽게 적대적인 환경에서 결과를 저하시키며, 비대칭 정보와 전문 역할이 이러한 효과를 악화시키는 것으로 나타났습니다.