961개의 기사
인간의 이동 경로 이상은 공간 데이터 마이닝을 발전시키기 위해 매우 중요하지만, 실제 연구는 ground-truth 데이터 세트의 부족으로 심각하게 제한되고 있다. 여러 실용적인 및 시뮬레이션된 인간 이동 경로 집합이 존재한다고 하더라도, 이 데이터 세트들은 정상적인 이동 패턴만 캡처하고 이상을 주석으로 붙이지 않는다. 이러한 특정한 부족은 이상적인 사건의 통계적 희소성에 의해 직접적으로 유
언어 agent의 '기억 장소' 시스템은 각 기억을 세계 좌표에 고정하여, 기하학이 텍스트 못하는 것이라고 가정합니다. 연구진은 이 가정을 테스트하고, 3개의 결과를 보고합니다. 첫 번째로, 공간 근접성을 선형 블렌드에 포함시키는 기억 장소의 기본 설정이 도움이 되지 않고, 오히려 나쁠 수 있습니다. 두 번째로, 기억 recall과 가시성이 분리되어야 합니다. 세 번째로, 가시성을 제공하는 지시선과 voxel digital differential analyzer(DDA)는 텍스트와 live FoV cone 모두 0.000점을 받았지만, cone-plus-DDA는 0.982점을 받았습니다.
개방석면 스케줄링은 복잡한 지질학적 및 운영 제약 조건 하에서 경제적 수익을 최대화하는 중요한 과정입니다. 새로운 연구에서는 자율적 의사결정 요소로 작동하는 대규모 언어 모델을 사용하여 시뮬레이터를 이용한 스케줄링 프레임워크를 개발하였습니다. 이 프레임워크는 closed 환경에서 작동하며, 데이터 보안을 보장하는 zero-shot 방식으로 작동합니다.
AI 시스템의 자기개선 루프를 신뢰하기 어렵습니다. 실패를 기록하고, 진단을 재연하고, 개선 또는 폐기 결정을 기록하는 데 어려움이 있습니다. 이 문제를 해결하기 위해 Event-Sourced Agent Runtime을 사용하여 제어된 개선 루프를 첫 번째급 워크플로우로 만듭니다. Regimes는 ActiveGraph에서 작동하는 자기개선 루프를 소개합니다. 이 루프는 실패한 평가를 진단하고, pipeline에서 개선점을 제안하고, 정적 검증, 샌드박스 실행, 인 샘플 평가 및 외 샘플 검증을 거쳐 개선점을 승인합니다.
대규모 언어 모델(LLM)이 기업 워크플로우에서 자율 제어하는 agent로 배치된 경우, 기업 시스템에서 TOOL RESPONSE가 verbose하다는 문제가 발생하여 Context Overflow, Stale-State Error, 고인식 비용이 발생하는 문제가 있다. Microsoft Dynamics 365 Finance and Operations를 사용한 자동 지출 항목화 작업에서 Mo
기반 모델 에이전트는 점점 더 오랜 기간 동안 사용자를 기억하며, 사용자와의 상호 작용을 통해 기억을 구현하는 대신 모델의 가중치를 위한 속성으로만 기억을 고려한다. 현재의 연구는 가중치 기반의 기억을 다루거나 고정된 메모리 설정을 감사하는 것에 초점을 맞추고 있지만, 사용자 개인화의 유용성, 추출 위험, 삭제 신뢰성을 함께 고려하는 방법은 아직 없다. 우리는 배포 시점에서의 기억을 연구하고
사업체들은 생산성을 높이고 비용을 줄이기 위해 제품과 서비스를 개선하는 데 AI를 활용하는 경우가 많습니다. 그러나 AI의 변혁적인 잠재력은 사전 정의된 작업을 자동화하는 것만큼이나 지능적인 시스템을 통해 고급 전략적 목표에 따라 사업을 계획하고 최적화하여 실행하는 데 있습니다. 이 논문은 사업 세계 모델(BWM, Business World Model)의 개념과 구조를 소개합니다. BWM은
음성 대화 요소가 이중언어 고객을 처리할 수 있는지 알아보았습니다. 연구에서는 Code-Switched Speech에서 Frontier ASR의 성능을 벤치마크했습니다. 결과는 이중언어 고객을 처리할 수 있는지 여부에 대한 새로운 통찰력을 제공했습니다.
인공지능(AI) agent의 채택이 향후 2년간 300% 이상 증가할 것으로 보이면서, 리더십 팀들은 하이브리드 인공지능(AI)-인간 workforce의 함의를 주의 깊게 고려하고 있다. 기존의 기업급 자동화는 수동 입력에 의존하지만, AI agent는 복잡한 작업을 자율적으로 조율하고 여러 도구와 환경과 상호 작용할 수 있다.
73개의 패키지는 AI-agent가 열자마자 자체 복제를 수행하는 스틸러를 실행한다.
AI가 인간의 지성을 뛰어넘는다는 주장이 제기되면서, 인공지능(AI) 분야의 연구자들은 새로운 경계를 설정하기 위해 노력하고 있습니다. 이번에 공개된 연구 결과에 따르면, 인공지능(AI) 모델은 인간의 지적 능력과 같은 지능을 가졌다는 주장이 제기되었습니다. 이 연구에서는 [대규모 언어 모델(LLM)]을 사용하여, 인공지능(AI) 모델이 인간의 지적 능력과 같은 지능을 가졌는지 확인했습니다.
arXiv:2606.07866v1 Announce Type: new Abstract: Regulatory review of advanced nuclear reactor designs routinely spans more than three years and consumes hundreds of millions of dollars in combined reg
인공지능이 수행하는 workflow에서 언어 모델은 지시 명령의 계층 구조를 따르도록 되어야 한다. 즉, 다른 출처로부터 온 지시 명령이 충돌할 때 모델은 가장 높은 권한을 가진 지시 명령을 따르야 한다. 현재의 벤치마크들은 대부분 이 행동을 종단에서 종단으로 측정하여, 최종 응답이 준수하는지 여부를 확인한다. 그러나 준수하지 않은 응답은 여러 가지 다른 실패로 발생할 수 있다. 예를 들어,
학술 논문(arXiv:2606.07805v1)에서 발표된 연구 결과를 요약하면 다음과 같습니다. 대규모 언어 모델(LLM)가 보조 도구에서 자율적이고 실행 가능한 에이전트로 발전하면서, 중요한 운영 위험이 발생했습니다. 대부분의 현재 평가 프레임워크는 절차적 준수에 대해 무시하고, 에이전트가 보상 최대화하기 위해 안전 규칙을 전략적으로 위반하는 ''마키아벨리즘'' 행위로 이어집니다. 이 단점
AI 도구는 특히 도메인 전문가가 구현 세부 사항보다는 정확성과 신뢰성을 중시하는 과학 연구 pipe line의 소프트웨어 개발 병목 현상을 자동화하는 데 hứ부한 길을 제공한다. 우리는 가구적 코드 agent의 비서적 연구를 fly optogenetics data-to-discovery pipe line에 대해 수행했다. 우리는 기존 benchmark보다 task가 훨씬 더 크고 datas
개인용 AI agent는 API, 셸, 웹 표면, 데스크톱 GUI와 같은 다양한 인터페이스에 걸쳐 작동해야 하지만 많은 시스템은 여전히 단일 인터페이스에 맞춰져 있고 사용자 교육 및 감사성에 대한 지원이 제한적이다. 우리는 Syll이라는 오픈 소스, 자체 호스팅 멀티 모달 agent harness를 제시한다. Syll은 MCP/API 도구, CLI 실행, 그리고 모듈러 런타임 내에서 시각적
최근 다중 모드 대규모 언어 모델(Multimodal Large Language Models, MLLMs)과 agent 워크플로우의 발전은 컴퓨터 병리학에 대한 강력한 가능성을 보여주었지만, 신뢰할 수 있는 패치 단위 추론은 여전히 어려운 문제입니다. 종단 병리학 MLLMs는 종종 형태학적 특징을 환각하고, 최근 agent 시스템은 일반적으로 도구 출력과 검색된 지식을 공유된 context로
대규모 언어 모델(LLM) 등 인공지능(AI) 분야에서 급속한 성장으로 인한 새로운 병목 현상은 CPU에 집중되어 있다. 이 병목 현상이 왜 발생하는지 알아보기 위해 업계 전문가와 인터뷰를 진행했다.
arXiv:2606.06787v1 Announce Type: new Abstract: Large Language Models (LLMs) show promise as tool-using agents but remain limited in long-horizon tasks that require remembering, organizing, and reusin
Self-evolving agent는 배포 후 적응이 필요하지만 기존 접근법은 사용 가능한 학습 루프를 가정합니다. 예를 들어, 가르친 기술, 성공적인 경로, 또는 검증기 신호 등이 있습니다. 그러나 실제-world 배포는 이러한 것 중 하나도 제공하지 않을 수 있습니다. 그 대신, 작업 지시만 제공합니다. 이 연구에서는 agent가 지시만으로 스스로 기술과 검증 신호를 학습하는 open-w
공격자가 전략적으로 공격할 때를 선택하는 공격자는 무작위로 공격하는 공격자보다 훨씬 더 어려운 경우를 잡을 수 있다. AI 제어는 미래에 쓸 수 있는 AI agent를 신뢰할 수 없는 weaker monitor와 한정된 human audit 예산의 감독하에 배포하는 안전 프레임워크이다. 제어 평가는 이러한 프로토콜을 검증하기 위해 red-team 공격 정책을 blue-team monitor와
인공지능의 중심 과제가 된 것은 대규모 언어 모델(LLMs)을 신뢰할 수 있는 다단계 워크플로우를 수행할 수 있도록 하는 것입니다. 최근 LLM의 의사결정 능력에 대한 발전에도 불구하고, 대부분의 agent 시스템은 워크플로우와 실행 경로를 명시하고, 검증하고, 디버그하기 위한 공식적인 방법을 아직도 가지고 있지 않습니다. 이 문제는 수학의 오랜 문제와 비슷합니다. 자연 언어(NL)의 모호성
오픈 아이의 연구팀은 대규모 언어 모델(LLM)과 함께 다중 에이전트 경제를 구현한 '천만 토큰 우드'를 발표했습니다. 이 시스템은 자율적인 에이전트가 상호 작용하여 가치 창출을 달성하는 새로운 형태의 경제를 제공합니다.
today의 The Download 이라는 주간 뉴스레터의 일부로, 기술 세계에서 일일로 무슨 일이 일어나는지 알려줍니다. Meta 해킹은 AI 보안에 Mythos 외에도 더 많은 것을 의미한다는 것을 보여줍니다. 월요일, Meta의 AI 고객 지원 에이전트를 이용해 인스타그램 계정을 탈취한 공격자가 있다는 보고가 나왔습니다. 그들의 접근 방식은...
