956개의 기사
학습형 모델링(ABM)은 수백만 명의 개인과 그 상호 작용을 모델링 할 수 있는 능력을 가지고 있으며, 정책 결정에 유용하다. 그러나 ABM은 전통적으로 정적 전제에 의존해왔다. 이는 모델이 실시간으로 변하는 상황에 적응하지 못하게 한다. 우리 연구에서는 이러한 정보 결핍을 해결하기 위한 새로운 접근법을 제공한다. 대규모 언어 모델(LLM)은 인간의 의사 결정 예측에 새로운 기회를 제공한다.
AgentLens라는 대규모 언어 모델(LLM) 평가 도구를 제시합니다. 일반적으로 코드 에이전트 평가 도구는 단일 비트로 평가되지만(작업이 성공했는지 여부), 실제로 이러한 에이전트를 사용하는 사람들은 에이전트가 명령을 따르는 방식, 도구를 사용하는 방식, 자신의 작업을 검증하는 방식, 오류를 복원하는 방식, 사용자와 대화를 하는 방식에 대한 모든 경로를 경험합니다. AgentLens는 이
소프트웨어 회사인 'Slopfix'가 AI로 생성된 코드베이스를 재구성하는 고정가 서비스를 출시했습니다. 이 서비스는 일주일 동안의 작업에 대해 10,000 달러를 청구합니다.
Prime Intellect은 2024년에 설립된 회사로, 기업들이 프론티어 AI 연구소에 의존하지 않고 자신의 인공지능 agent를 훈련할 수 있는 능력을 제공하기 위해 설립되었다. 이 회사는 최근 130억 달러의 시리즈 A 펀딩을 통해 새로운 도약을 시작하였다.
AI가 출판에 미치는 영향에 대한 연구가 최근 진행되었다. 연구진은 AI가 출판의 여러 측면에 미치는 영향을 조사했으며, 출판 업계에서 AI를 어떻게 사용할 수 있는지에 대한 아이디어를 제공했다. 연구진은 AI가 출판에 미치는 영향에 대한 3가지 주요 유형을 식별했다. 첫째, AI가 출판의 자동화에 미치는 영향. AI는 출판의 자동화에 큰 도움이 될 수 있다. 예를 들어, AI는 기사 작성을
arXiv:2607.05804v1 Announce Type: new Abstract: On-policy distillation (OPD) trains a student policy by matching a stronger teacher on the student's own trajectories, offering a promising framework fo
arXiv:2607.05794v1 Announce Type: new Abstract: Long-term user memory is essential for personalized conversational agents, yet many memory systems still expose memory through passive retrieval interfa
대규모 언어 모델(LLM) 에이전트는 점점 더 자신의 도구를 사용하는 능력, 다단계 작업을 계획하는 능력, 다른 에이전트와 협력하는 능력, 그리고 장기간의 시야를 갖는 능력에 대해 평가되고 있습니다. 보고된 벤치마크 향상은 종종 다른 평가 활동에 기록된 반복적인 실패 모드를 가려두고 있습니다. 이 연구는 27개의 벤치마크, 분류, 감사 논문(2023-2026)을 종합하여 에이전트의 한계를 설
Large Language Models(LLM)가 자율 요소로 발전하면서, 전통적인 정적 평가가 다단계 의사 결정을 포착하지 못하는 문제가 발생한다. 우리는 AgenticAI-Supervisor라는 API와 UI를 통한 RL 게임 환경을 소개한다. 이 환경은 환경 생성과 확장 가능한 실행을 분리시켜준다. 환경 결과가 검증가능한 실행으로 이동하면서, 플랫폼은 고유의 신뢰도 높은 추적을 생성하고
산업 제품의 컴퓨터 aided design(CAD)가 필요로 하는 대규모 언어 모델(LLM)로 인한 절차적 모델링, 강력한 특성 의존성, 편집 가능한 기하학적 파라미터, 및 B-Rep 실행의 생산급 성능은 현재의 텍스트를 CAD로 변환하는 방법들이 promise한 진전에도 불구하고, 사용자 지시가 모호하거나 미약하거나, 또는 고급 디자인 의도만 설명한 경우에는 여전히 어려움을 겪고 있다. 또
대규모 언어 모델(LLM) 기반.agent 시스템은 멀티 턴 상호 작용, 도구 호출, 및 크로스 세션 워크 플로우를 포함한 다양한 컨텍스트를 연속적으로 축적합니다. 이 모든 요청에 대해 전체 역사 재생은 impractical해지며, 긴 컨텍스트는 prefll 비용을 증가시키고, 컨텍스트 한계를 초과하고, 그리고 task 관련 증거를 불필요한 콘텐츠에 묻힐 수 있어, 서비스 효율성과 출력 품질을 저하시킵니다.
언어 agent는 반복 루프를 실행한다 - 관찰, 추론, 행동 - 그러나 그들은 외부에 있는 메모리를 사용한다: 가장 적어도 한 번에 쿼리되는 저장소. 이 연구에서는 메모리가 루프 내에 있게 되는 시대에 초점을 맞춰, 매 단계마다 읽고 쓰는 것을 연구한다.
과학적 발견을 도와주는 대규모 언어 모델(LLM) 시스템은 아이디어 생성, 문헌 통합, 실험 계획, 보고서 작성과 같은 과제를 수행하지만, 과학자들이 검토해야 할 첫 번째 연구 질문은 여전히 어려울 수 있다. 연구 질문이 생소하지 않으면서도 과학자들이 검토해야 할 기작, 거짓말자, 또는 가정에 노출되지 않을 수 있다. 우리는 과학적 대규모 언어 모델 agent를 위한 첫 원리 연구 질문 형성
장편 소설 작가들은 기억이 진화하는 이야기 상태에 대한 다중 점프 질문에 답해야 합니다. 예를 들어, 어떤 이는 비밀을 알고 있었고 그 비밀을 언제 알게 되었는지, 사건이 누군가의 비밀을 드러내는 설명보다 이전에 일어났는지, 설정이 성공적으로 끝났는지, 어떤 이는 관계가 어떻게 변했는지. 일반적인 정보 추출 시스템과 agent-memory 시스템은 entity와 fact를 표현하지만 narr
최근 대규모 언어 모델(LLM) 기술의 발전으로 인해 논문 작성을 위한 끝에서 끝까지 자동화된 시스템이 개발되었습니다. 그러나 기존의 시스템은 세 가지 중요한 결함을 보유하고 있습니다: (i) 생성된 주장들이 증명 가능한 문헌에 대한 명확한 근거를 가지고 있지 않습니다, (ii) 실험 결과가 실제로 수행되지 않고 가짜로 생성됩니다, (iii) AI가 생성한 논문이 실세계에서 출판할 수 있는
AI 기술의 빠른 발전과 의사결정 시스템으로의 전환으로 인해 조직들은 사용 사례를 확장하고 있습니다. 그러나 이러한 기술의 지속적인 발전은 위험을 불러일으키고 있습니다. IT 리더들은 6개월 후에 가치가 있는 투자를 판단하기 위해 AI 아키텍처의 기초 요소를 다시 돌아봐야 합니다.
인간-AI 협력적 결정을 위한 새로운 프레임워크를 소개합니다. 이 프레임워크는 인간의 능력을 증진시키고 AI agent를 인간의 선호와 기대에 맞게 설계합니다. 결과적으로 인간-AI 협력적 결정을 위한 효과적인 방법을 제공합니다.
미래 사건을 예측하는 것은 일반적인 인공지능의 테스트베드로써 관심을 끌고 있는 분야입니다. 이 평가를 기반으로 하는 자연스러운 방법은 모델이 예측 시장에서 거래를 하게 하는 것입니다. 거래는 단순히 예측을 하기만 하는 것보다 더 많은 요구사항이 필요합니다. 최근 벤치마크에서는 조정된 확률 점수를 거래 결과와 큰 차이로 보고하고 있습니다. 우리는 Raven-Agent를 제안하고 있습니다. 우리
소셜 분포된 작업 환경에서 생성 요인의 효과성을 평가하는 새로운 방법론인 Incognita를 소개합니다. 이 방법론은 생성 요인의 행동을 사회적 상호 작용과 지향성 행동으로 분리하여, 효과적인 사회적 환경에서의 행동을 분석합니다.
AI 도구가 과학 연구 출판을 가속시키면서 연구를 검토하는 시스템이 이를 따라잡기 어렵게 만들었고, 출판된 연구에 대한 independent 검증이 더 어려워지고 중요해졌다. 수동적으로 연구를 재현하는 것은 느리고 비용이 많이 들기 때문에, 코드 에이전트를 사용하여 프로세스의 일부를 자동화하는 작업이 점점 더 많아지고 있다. 기존의 노력은 주로 벤치마크와 그에 동반하는 에이전트로 구성되어 있
현재 의료 계산을 위한 대규모 언어 모델(LLM)의 평가 기준은 단순화된 환경에서 대부분 기반을 두고 있습니다. 이 환경에서 각 환자 사례는 단일 계산기와 명시적으로 지정된 계산기를 요구하는 질의로 대응합니다. 그러나 실제 임상 상황에서는 종합 평가, 계산기 중첩 계산, 및 목표 계산기를 직접 지정하지 않는 부드러운 질의가 필요합니다. 이를 위해 우리는 새로운 의료 계산 벤치마크, MedCa
대규모 언어 모델(LLM) agent는 축적된 경험을 통해 향상할 수 있지만, 상호 작용이 증가할수록 자유 형식의 텍스트 기억은 유지, 검증 및 재사용하기 어려워집니다. 최근 Symbolic 접근법은 실행 가능한 기술이나 프로그래밍 세계 모델을 학습하지만, 종종 지역 절차를 저장하거나 단순화된 역학을 가정합니다. 우리는 Object-Centric Environment Modeling(OCM)
자동 코딩 요원(autoresearch)과 같은 장기간 작동하는 코딩 요원은 열린 문제에 대한 최적화를 지속적으로 발견할 수 있지만, 일반적으로 고급적인 접근 방식을 한 번에 발견하고, 저급한 수정 작업을 진행하는 반면 다른 문제에 대한 더 우수한 접근 방식을 놓치곤 한다. 우리는 두 가지 방향 지시자 수준의 설계 선택이 이러한 행동에 기여한다고 가정한다: 단일 장기간 작동하는 요원이 컨텍스
연구용 고성능 컴퓨팅 시설은 대규모 과학 데이터를 관리하는데 있어 중요한 역할을 수행한다. 이 데이터를 인공지능 훈련 데이터로 사용하기 위해서는 데이터를 변환하는 과정이 필요하다. 그러나 현재까지는 변환 과정을 자동화하고, 데이터가 준비되어 있는지 확인하고, 데이터의 생성 과정을 추적하며, agent-native로 배포하는 것을 모두 다룬 framework은 존재하지 않는다. REDI fra
