961개의 기사
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.
현대 인공지능의 성공은 인간이 배우는 방식에 무엇을 알려주고 있는 걸까? 이 논문은 인공지능을 인간 학습의 모델로 nghiêm중하게 다루면, 가볍지만 진실한 연관주의를 지지한다고 주장한다. 주된 발견은 평가적인 피드백에 의해 주도되는 학습이, 대규모 언어 모델부터 게임을 즐기는 agent까지, 놀랍게도 현대 인공지능 시스템의 광범위한 범위에 걸쳐 있음을 의미한다. 이들은 주로 관련 피드백 신
Tree of Thought(Tot) 검색이 대규모 언어 모델의 추론 능력을 향상시키기 위한 유망한 방향이 되었지만, 이 방법들을 실제로 적용하는 것은 다음의 질문에 대한 체계적인 연구가 거의 이루어지지 않은 문제를 제기한다: 다루는 컴퓨트 비용, 모델 크기, 문제의 난이도에 따라서 다르게 행동하는 다양한 검색 전략은 어떻게 행동하는 것일까? 이 연구에서, 우리는 두 가지 대표적인 Tot 방
이 루프는 지능형 AI를 한 단계 더 나아지게 해준다. 지능형 AI가 백그라운드에서 끊임없이 지속적으로 작동하도록 허용하는 agent들의 무리를 허용한다.
AI 시스템이 환자 정보를 추출할 때 발생하는 데이터 불충분 문제를 해결하기 위해 개발된 대가적 클리니컬 정보 추출(Agentic Clinical Information Extraction) 기술을 소개합니다. 이 기술은 임상 의사들이 추출한 정보를 확인할 수 있도록 하는데, 이는 임상 의사들이 추출한 정보의 신뢰성을 높일 수 있도록 합니다.
최근의 논문에서는 대규모 언어 모델(LLM) agent에 대해 고전적인 확률론적/지식론적 불확실성 프레임워크가 부족하다고 주장하고, 새로운 agent 기능인 예방적 설명요청과 공유된 정신 모델 생성을 가능케 하는 불확실성 표현을 위한 하이퍼스펙티파이 의식, 분해, 그리고 의사소통 가능한 불확실성 표현을 필요로 합니다. 실용적인 배포 제약조건 - 블랙박스 API, 상호 작용 지연 시간 지출,
Decentralized 금융은 감독관들에게 빠르게 움직이는 네트워크된 신용 위험을 노출시킨다. 일반 용도 대규모 언어 모델(LLM) agent는 이러한 환경에 잘 맞지 않다: 그들은 약한 증거를 과다하게 읽고 고위험 조치 추천을 하지만, 기존의 평가 방법은 감독관과 일치하는 결과로 인한 오성한 경고에 대한 측정 방법을 제공하지 않는다. 우리는 DeXposure-Claw라는 예측 기반의 지시
대규모 언어 모델(LLM) 간의 의사결정 과정에서-agent 들은 여러 라운드 동안 서로 의견을 교환하고 수정하는 것을 통해 사고력과 정확성을 향상시키기 위해 점점 더 많이 사용되고 있다. 그러나 이러한 의사결정 과정의 원리와 작동 방식은 거의 모델링되지 않았다. 이러한 의사결정 과정은 인간이 결정을 내리는 방식과 유사하다. 우리는 사회적 동물로서 우리 자신과 그룹의 끌림에 의해 pulls된
자율적이고 주체적인 AI 시스템은 대규모 언어 모델(LLM)에 의해 구동되며 새로운 보안, 개인정보 보호 및 준수성 문제를 도입한다. 이러한.agent가 도구를 호출할 수 있고 데이터를 조작할 수 있고 소프트웨어를 설치할 수 있고 조직간 경계를 넘어 peer agent들과 협력할 수 있기 때문에, 인증 및 접근 제어만으로는 충분하지 않다. 대신, 이 agent가 허용되거나 금지되는 것이 무엇
Google의 대규모 언어 모델(LLM)인 Bard는 AI가 사람과 대화할 수 있는 방식으로 작동한다. 그러나 AI가 사람과 대화할 때 발생하는 문제는 AI가 이전에 본 적이 없는 상황을 이해할 수 없다는 점이다. Bard는 이전에 본 적이 없는 상황을 이해하지 못했을 때 "미지의 상황"이라고 말한다. Bard는 "미지의 상황"을 설명하기 위해 AI가 사람과 대화를 나누는 과정을 설명한다.
arXiv:2606.18890v1 Announce Type: new Abstract: Improving GUI agents typically relies on behavior cloning on expert trajectories. However, as the current policy deviates from the expert policy, it ine
무장관측 환경에서 tự율적 에이전트가 효과적인 의사결정을 하기 위한 어려움을 해결하기 위해, 학습된 신경망을 이용한 믿음 공간의 근사치를 이용하는 믿음 기반 방법은, 특히 높은 차원에서 인식 상동성을 포함한 믿음 공간의 내재적 다중모달성 captures를 실패한다. 그 동안 생성 모델은 대량의 데이터 또는 전문가 시연이 필요하며 장기 계획에 대한 명시적 메커니즘을 제공하지 않는다. 이 논문에
인공 지능이 인간을 돕기 위해 오랜 기간 동안 실제 집에서 hoạt동할 수 있도록 하기 위해서는, 사용자의 일상 routine, 세계 상태, 과거 상호 작용을 기억해야 합니다. 현재의 장기 기억 평가 기준은 주로 언어 중심의 검색과 질문에 대한 답변에 초점을 맞추고 있습니다. 반면에, 신체화된 평가 기준은 종종 단기적인 과제 실행에 중점을 두며 장기 기억 사용을 동적 환경에서 테스트하지는 않
산업용 리드 헤일링(ride-hailing) 호출 시스템에 대규모 언어 모델(LLM)을 포함시키기 위한 의미적 특징 추출기로서 플랫폼 크기 Behavioral 로그를 사용하는 것은 매력적이지만 아직까지는 데이터 시스템 문제로 미흡한 부분이다. 생산적인 매칭 PIPELINE은 여전히 구조화된 수치 특징에 의해 지배되고 있지만 결정적인 행동 신호(예: 운전자의 특정 지역에 대한 경향이 있는 반대
로보트 축구는 부분적 관찰성, 협력 및 적대적 상호 작용, 희소 보상, 그리고 장기 전략 행동이 결합된 다중 agent 강화 학습의 어려운 테스트베드로 간주된다. 로보트 컵 2D 축구 시뮬레이션(RCSS2D)은 성숙한 로보트 축구 플랫폼을 제공하지만, 현대 Python 기반 MARL 워크플로우와 직접적으로 사용하기 어려운 경쟁기반 서버-클라이언트 아키텍처를 가지고 있다. 우리는 R2D-RL이
이 논문은 다양한 환경과 목표를 고려해 최적하게 행동할 수 있는 일반적 에이전트가 기억해야 하는 정보를 공식적으로 설명한다. 두 도메인이 관찰 한계를 공유하지만 충돌하는 최적 행동을 요구할 때, 균일하게 근사적으로 최적한 정책은 그 한계에서 서로 다른 기억 분포를 유발한다는 것을 보여준다. 이 결과는 분리 정리로 이어진다: 충분히 성공적인 에이전트는 현재 상태 관찰만으로 충분하지 않으며, 도
대규모 언어 모델(AI agent)은 단기적인 작업, 예를 들어 소프트웨어 개발 및 고객 서비스와 같은 고립된 작업에서 능숙한 수행자로 변모하고 있습니다. 그러나 실세계의 문제는 AI agent가 아직 주로 테스트되지 않은 고급 기술의 Combination이 필요합니다: 1. 불확실성을 감내하며 장기적인 시야를 구사하는 능력 2. 잡음이 있는 환경에서 정보를 수집하는 능력 3. 변하는 세계를
arXiv:2606.18413v1 발표 유형: 새로운 초록: 자동화된 AI agent는 점점 더 능력자가 되고 있지만, 많은 과학적 및 전문적인 업무는 인간의 판단과 맥락에 대한 전문 지식이 필요합니다. 우리는 공유된 작업 공간에서 인간-AI 팀을 연구합니다. 여기서 AI agent와 인간 협력자는 제출하기 전에 최종 답안을 제출하기 전에 책임을 협조해야 합니다. Collaborative G
의사결정에 근거한 시각-언어 모델을 개발하기 위해 CaVe-VLM-CoT 프레임워크를 제안했습니다. 이 프레임워크는 5단계의 closed-loop pipeline를 사용하여 시각-언어 모델이 시각적 신뢰성을 유지하는지 여부를 검증합니다.
지구 관측 데이터의 생성 속도와 지상에서 사람이 참여하는 처리 속도는 지구 관측 데이터를 다운받는 대역폭과 지구 관측 데이터를 분석하는 속도 사이의 격차를 만들고 있다. 이 논문은 NAVI-Orbital이라는 소프트웨어 시스템을 Low Earth Orbit(Low Earth Orbit, LEO) 위성에 배치한 것이다. 2026년 4월 16일, NAVI-Orbital은 대규모 언어 모델(LLM
