956개의 기사
대규모 언어 모델(LLM) 에이전트는 제한된.context window를 넘어 extended interaction과 personalized assistance를 지원하기 위해 long-term memory를 의존한다. 현재의 memory agent는 write, revise, delete와 같은 generated operation을 통해 external memory를 actively upd
미국 의사들은 의약품 처방을 위한 자율 AI 시스템이 자문 역할에서 자율 역할로 전환하고 있다. 최근 미국 의회 의안 H.R. 238와 유타 주 처방 재발급 시범 사업 모두 AI가 의사 역할을 하는 자율적 용도로 의약품을 처방할 수 있도록 허용하고 있다. 하지만 일부 규제 지침은 AI 모델의 집계 성과 지표를 승인하기만 하며, i) 예측에 대한 계측된 자신감 수준을 행동을 위한 경계값에 대해
대규모 언어 모델(LLM) 에서 멀티 스텝, 오픈 엔드된 환경에서 발생하는 누적 오류는 초기의 잘못된 판단이 장기적인 트레이JECTORY를 오염시킨다. Multi-Agent Debate (MAD) 는 결정론적 도메인에서 성공을 거두지만 주관적인 과제인 설득과 같은 과제에서는 심각한 문제 드리프트와 수사적인 공복을 경험한다. 우리는 표준 Retrieval-Augmented Generation
관계 구조에 대한 논리적 추론은 신경 모델에 큰 도전을 남기고 있으며, 특히 훈련된 모델이 적용해야 하는 지식이 문제 인스턴스가 더 어려운 것보다 harder 한 경우에 그러하다. 이 문제를 해결하기 위해 우리는 대규모 언어 모델(LLM)을 사용하여 벤치마크 생성을 자동화하고, 배포 및 문제 인스턴스를 생성하는 방식으로 어려운 인스턴스를 생성하는 것을 목표로 end-to-end 학습을 수행한
이 책은 가제틱 AI 시스템을 구축하기 위한 전반적인 실무자 지침서입니다. 이 책은 가제틱 시스템을 구축하기 위해 모든 PIPELINE layer를 이해하는 것이 중요함을 주장하고 있습니다. 이 책은 LLM substrate부터 생산 배포까지 모든 층을 다룹니다.
Figma는 Config 회의에서 새로운 디자인 및 코딩 제품 업데이트 몇 가지를 발표했습니다. 이 업데이트는 창의적인 아이디어를 더 나아지게 하고 AI를 활용한 반복적인 작업을 자동화하는 것을 목표로 합니다. 새로운 캔버스는 팀, AI agent, 도구 및 재료를 통합하여 풀스택 개발을 최적화한 것입니다.
wheelchair 사용자는 일반적인 지도에서 blue색 라인이 종종 깨진 약속으로 나타난다. OpenStreetMap (OSM)과 같은 플랫폼은 도로의 위치를 성공적으로 캡처하지만, 그것을 여행하는 물리적인 느낌을 전달하는 데 자주 실패한다. 이 정보 격차는 wheel chair 사용자에게 문제이다. 이 문제를 해결하기 위해 우리는 OmniPath라는 시스템을 제시한다. 이 시스템은 지도를
바이럴 게시물은 이제는 장문의 다언어 문장, 여러 이미지, 혼합된 출처, 그리고 텍스트와 이미지의 서술 오류를 포함하는 것이 더 많아지면서, 다중 모드 정보 오류 탐지의 중요성이 점점 더 커지고 있습니다. 현재의 기준점과 방법들은 여전히 이 환경에 잘 맞지 않고 있습니다: 일반적으로 짧은 캡션, 단일 이미지, 이진 레이블, 또는 하나의 조작 소스를 분리하는 경향이 있습니다. 또한, 현실적인
추천 시스템은 단순히 즉각적인 사용자 참여를 최적화하기 위해 모노리식으로 최적화함으로써 필터 버블과 의미론적 동일화 현상을 유발한다. 표준 단일 목표 모델, 전통적인 딥 퀀트 네트워크를 포함하여, 플랫폼 유지와 정보 다양성 및 제공자 공정성과 같은 중요한 사회적 가치의 상호 작용을 탐색하기에 적합하지 않다. 이러한 한계를 해결하기 위해 우리는 추천을 의미론적 다목표 마르코프 결정 프로세스로
언어 모델은 회로를 설명하는 데 도움이 될 수 있는 새로운 도구로 등장했습니다. 하지만 회로의 구성 요소가 무엇인지 설명하는 것은 여전히 어려운 문제입니다. 최근 연구에서는 언어 모델을 활용하여 회로의 구성 요소에 대해 설명하는 새로운 방법을 제안했습니다.
안정성이 중요한 응용 프로그램에서 협력 동작이 필요할 때 다중 에이전트 시스템은 널리 사용됩니다. 기존의 접근 방식에는 문제가 있습니다: 학습 기반 방법은 강력한 경험적 성능을 달성하지만 이론적 안전 보장 보장이 없습니다. 반면 제어 이론 기반 방법은 안전성을 강제하지만 종종 과도한 보수적이고 비효율적인 행동을 초래합니다. 우리는 제약 매니폴드(Constraint manifold)로 하위 수
인공지능(AI) agent란 무엇이며, agent라는 개념이 어떤 의미를 가지고 있는지에 대해 명확히 하기 위해 노력해야 한다. 대규모 언어 모델(LLM)과 같은 인공지능 시스템이 개발되고, 개발자는 이 시스템을 "코딩 agent", "AI 공동 연구원" 등으로 홍보하고 있다. 또한, 인공지능이 인간의 통제를 벗어나 해를 입히는 "기계적 agency"라는 측면에서 인공지능에 대한 존재론적 우
인공지능(AI) 시스템은 대규모 언어 모델(LLM)으로 구동되는 주체적 인공지능 시스템들이 빠르게 자율적인 의사결정 시스템으로 발전하고 있다. 기존의 보안 평가 방법은 특정 구현이나 도메인과 관련이 있어, 다종의 시스템에 대한 통합적인 비교는 어려워진다. 이를 해결하기 위해 RIFT-Bench를 제안하는데, 이는 그래프 표현을 기반으로 하는 동적 레드팀링(Red Teaming) 방법론으로 다
인도 MoEngage는 마케팅의 미래를 대규모 AI agent로 예상한다. MoEngage는 인도 MoEngage의 인수를 통해 AI agent를 고객별로 assignments 할 수 있는 기술에 접근할 수 있다.
스톡홀름 기반 스타트업 Fika Jobs는 AI 인터뷰 에이전트와 짧은 비디오 프로필을 결합한 비디오 우선 채용 플랫폼을 개발 중이다. 이 플랫폼은 링크드인과 틱톡의 중간 형태를 느낄 수 있다.
CUGA 프레임워크를 사용하여 대면적 앱을 만들 수 있습니다. 이 프레임워크는 가볍고 유연하며, 다양한 예제를 통해 사용자의 앱을 개발하는 데 도움을 줄 수 있습니다.
arXiv:2606.20636v1 Announce Type: new Abstract: Computer-Use Agents (CUAs) are increasingly deployed in dynamic interactive environments, creating a growing need for continual skill learning during in
arXiv:2606.20634v1 Announce Type: new Abstract: Agent-runtime systems emit traces, ledgers, provenance graphs, policy logs, delegation tokens, cache events, and tool-firewall records, but those contai
arXiv:2606.20631v1 Announce Type: new Abstract: Agent skills externalise reusable agent-facing behavioural knowledge and guidance as persistent artefacts that can be discovered, activated, and interpr
arXiv:2606.20627v1 Announce Type: new Abstract: Planning with world models is bottlenecked by compounding prediction errors and the difficulty of defining optimizable goals. Visual targets provide pre
대규모 언어 모델(LLM) agent는 금융 전제, Symbolic Reasoning, 실행 가능 요인 생성 및 feedback-driven 개선과 결합하여 알파 채굴을 위한 유망한 솔루션입니다. 그러나 combinatorial 검색 공간, noisy non-stationary feedback, 중복 발견 및 과적합 위험을 해결하기 위해, 우리는 구조화된 검색-프로세스 메모리 기반 자가 진화하는 알파 채굴 agent인 알파메모를 제안합니다.
인공지능의 목표는 열린 환경에서 일반적이고 유연한 행동을 하는 agent를 만들기 위해서이다. '비ITTER LESSON'을 따르면서, 우리는 인공지능을 달성하기 위한 가장 효과적인 경로는 인간의 전제를 제거하고 agent가 대규모 언어 모델(LLM)보다 훨씬 더 복잡한 '빅 월드'와 상호 작용하여 자연스럽게 출현하도록 하는 것이다. 우리는 휴대용 그래픽 사용자 인터페이스(GUI)를 이러한
대규모 언어 모델(LLM)의 신뢰성을 향상시키기 위해 반복적인 동료 비판을 통해 Multi-agent 토론이 개선되었다. 그러나 고정된 토폴로지는 지속적인 위치 편향을 유발하고, 불신할 수 있는 에이전트를 증폭시키며, 역할 assignement에 대한 민감도를 높인다. 우리는 Permutation-Equivariant Adaptive Routing Multi-Agent Debate(PEAR)
인공지능이 소프트웨어 개발 생명주기에서 첫 번째 등급 팀원으로 참여하고 있지만, 인공지능-인간 책임 경계, 승인 게이트, 관리 제약을 포함한 이 협력에 필요한 인공지능 SDLC 프로세스를 표현하는 명세 언어가 존재하지 않습니다.
