961개의 기사
arXiv:2606.02875v1 발표 종류: 새로운 요약: 코딩_AGENT_평가 지표는 단 하나의 연속된_AGENT가 레포지토리 문제를 해결할 수 있는지 여부를 평가한다. 실제 소프트웨어 작업은 더 복잡하다: 작업은 중단, 재assign, 검토, 다른_AGENT 또는 엔지니어의 partial 상태에서 재개된다. 우리는 이 누락된 dimension을 통해 _handoff_debt를 연구한다:
다중_AGENT_ 토론이 데이터 청소에 도움이 되는지 hurt하는지 언제인지 알아보았습니다. 세 가지 벤치마크, 네 가지 모델 종류, 그리고 6,000 여 개의 태스크-조건 pair를 조사한 결과, 토론의 효과가 반전되었습니다. 모든 네 가지 모델 (-1.6에서 -15.5pp)에서 토론이 생성을 나쁘게 만드는 반면, 오류 감지를 개선했습니다 (+27.4pp F1, d=1.0). 토론의 이점
대규모 언어 모델(LLM)의 발전으로 인해 복잡한 추론과 도구 사용이 가능한 인공지능이 가능해졌지만, 퍼지 컴퓨팅 환경에서 이러한 자율성을 배포하는 것은 임베디드 마이크로컨트롤러의 엄격한 메모리와 에너지 제약으로 인해 어려움을 겪고 있습니다. 기존의 프레임워크는 일반적으로 서버급 자원이나 지속적인 연결성을 가정하기 때문에, 심층 임베디드 시스템을 위한_gap이 남아 있습니다. 이 논문은 결정
전자 의료 기록(EHRs)에서 환자 경로를 모델링하는 데는 장기적이고 다중 모드의 시차가 심하고 노이즈가 많은 시퀀스를 처리하는 것이 필요하다. 기존의 대규모 언어 모델(LLM) 기반의 다중-agent 시스템은 컨텍스트 길이를 처리하지만 환자를 고립시켜 클리닉이 누적된 경험을 활용하는 것처럼 동일한 이전 사례에서 정보를 통합하는 것을 실패했다. Traj-Evolve는 두 가지 상호 보완적인
AURA-Mem은 VRAM에서 데이터 센터와 달리 Embodied Agent가 실행되는 한계를 고려하여 개발된 새로운 메모리 기술입니다. AURA-Mem은 이전 관찰에서 다음 행동이 변경되지 않는 경우에만 메모리에 쓰기를 수행하는 learned gate를 사용하여 메모리 쓰기를 최소화합니다.
마이크로소프트는 개발자, 규정 준수 및 보안 팀이 대규모 언어 모델(LLM) 및 기타 agent를 제어하는 데 필요한 정책을 정의할 수 있도록 하는 새로운 스펙을 제공했습니다. 이 스펙은 개발자들이 agent의 행동을 제어하는 데 필요한 정책을 정의할 수 있도록 하는 포트 able 정책 파일을 제공합니다.
4년간의 모든 제품 데모를 보면 여행 계획을 세우는 것은 AI의 탁월한 사용 사례라고 말합니다. 그저 어디로 가려는지 말해주면, 그들은 모두 약속합니다, 그리고 그들의 채팅 봇 / agent / 다른 소문이 나게 될 것들은 exhaustively 검색 여행 옵션, 모든 재미있는 것들을 읽어보고, 모든 지역적 [...]
마이크로소프트의年度 개발자 콘퍼런스가 2일부터 샌프란시스코에서 시작되며, 키노트 발표는 실시간으로 12:30PM ET / 9:30AM PT에서 방송될 예정입니다. 새로운 AI 모델 및 OpenClaw-like 대규모 언어 모델(LLM)과 같은 의사결정 능력을 가진 AI가 발표될 예정입니다.
마이크로소프트는 Build 2026에서 새로운 운영 체제인 "프로젝트 솔라라"(Project Solara)를 발표했다. 이 회사는 이를 "인공지능 agent를 동작시키는 기기들을 위한 새로운 플랫폼"이라고 부른다. 프로젝트 솔라라는 안드로이드 위에 구축되었다. 마이크로소프트는 Build 2026에서 프로젝트 솔라라에 대한 두 가지 개념 기기를 선보였다: 데스크 콘셉트와 배지[].
Google의 AI 연구소인 DeepMind는 신경망을 이용한 컴퓨터 게임 'StarCraft II'를 학습시키기 위해 'StarCraft II'의 AI를 개발했습니다. 이 게임은 대규모 언어 모델(LLM)과 같은 AI 기술을 개발하기 위한 대표적인 게임입니다. DeepMind의 연구원들은 'StarCraft II'의 AI를 이용하여 인간과 경쟁할 수 있는 AI를 개발했습니다. AI가 인간과
전 세계 의료 시스템은 과거의 투자 부족과 인력 부족으로 인해 증가하는 수요에 부응하지 못하고 있다. 노인 인구 증가로 인한 서비스 수요 증가와 함께, 제공되지 않는 간극은 이미 의료 종사자에게 심각한 스트레스와 피로를 가져오고 있다. 상황은 더욱 악화되고 있다.
arXiv:2606.00240v1 Announce Type: new Abstract: Effective real-world assistance requires AI agents with robust Theory of Mind (ToM): inferring human mental states from their behavior. Despite recent a
FEA는 Solid Mechanics에서 가장 중요한 수치적 접근 방식입니다. FEA의 어려움에는 초급 사용자에게 큰 학습 곡선과 simulation의 주요 구성 요소, 예를 들어 경계 조건, 부하 사례 및 해결 변수의 잘못된 정의로 인한 잠재적인 오류 시뮬레이션을 포함합니다. 실세계 문제 해결을 위해 일반적으로 몇 년 동안의 엔지니어링 경험 필요합니다. 이러한 문제를 해결하기 위해, 우리는
Grokers는 지속적인, 구조화된 타입이 지정된 지식 그래프의 이해를 위해 의존성 서브 그래프의 하위 레벨 수식적 탐색을 통해 설계된 아키텍처입니다. 정보의 이해 비용이 모든 쿼리에서 지불되는 retrieval-augmented generation (RAG)과 달리, Grokers는 지능을 쿼리 시간에 밀어 넣습니다: 자율적인 Groker agent는 타입이 지정된 스트림 그래프의 노드를
어떤 행동의 품질은 미래의 사건에 의존하거나 게임 규칙을 위반하는 움직임에 의존하거나 다른 플레이어의 결정에 의존할 수 있으므로, 다중 agent 전략적 상호 작용을 위한 언어 모델 agent를 교육하는 것은 핵심적인 어려움을 제시한다. 표준 강화 학습은 각 단계마다 보상을 할당할 수 있다고 가정하지만, 이 가정은 시간과 agent 간의 결과가 얽혀 있는 설정에서 실패한다. 우리는 지연된 단
arXiv:2606.00008v1 Announce Type: new 분자 최적화는 충돌하는 목표를 고려하여 대규모 화학 공간을 탐색해야 하는데, 초기 설계 결정은 하류 결과에 강한 영향을 미치게 된다. 현재의 방법은 보통 단일 정책이나 고정 스칼라화만 사용하는데, 이는 다양한 대가의 비교와 다수의 유망한 설계 경로를 탐색할 수 있는 능력을 제한한다. 우리는 ATOM을 제안하는데, 이는 분자
AI_AGENT들이 고립된 도구에서 공유된 지식 생태계의 공동 참여자로 전환하는 동안, 공유된 지식 관리를 통제하는 것이 필수적인 문제가 되고 있습니다. 인간 플랫폼 관리 메커니즘은 직접적으로 전달되지 않습니다. agent statelessness는 deterrence-based sanctions를 무력화 시키고, model homogeneity는 crowd wisdom의 독립성 가정에 위배
If Nvidia has cracked a way to bring AI agents easily, safely, and usefully to the masses, it could — and should — be big.
Google's new "24/7" AI agent, Gemini Spark, can be shockingly good at doing things on your behalf. But I'm not sure it's worth the financial cost and potential privacy tradeoffs. The company gave me a
대규모 언어 모델(LLM) 에이전트가 실제-world 애플리케이션에서 웹 검색과 깊은 연구와 같은 장기 목표를 수행하는 경우, 쌓인 컨텍스트는 장기 컨텍스트 손상과 사고를 유발할 수 있다. 이전 연구에서는 에이전트의 컨텍스트 관리를 위해 에이전트 내의 컨텍스트 제어나 고정 전략(요약 등)을 사용하였지만, 에이전트를 다시 학습해야 하므로 닫힌 소스 에이전트에 불편함을 주고, 다른 에이전트에 다
대인간 논리 시스템의 신뢰성을 높이는 데 있어, 도구 호출 환경 간 일반화가 큰 과제로 남아 있다. 개별 벤치마크에서 강력한 결과를 달성하는 대규모 언어 모델(LLM)도, 논리 전략의 조합, 중간 상태의 보존, 도메인 간 도구의 조정 등에 대한 능력은 여전히 미흡하다. 우리는 MAVEN(Modular Agentic Verification and Execution Network)이라고 하는 가
건강 관리 기관의 전략적 제공자 반응은 건강 관리 기관 자체와 분리되지 않는다: 기존의 건강 관리 AI 벤치마크는 이러한 반응을 고정하고 있기 때문에 기관이 생성하는 균형에 따라 기관을 평가할 수 없다. 우리는 병원 기관 설계를 대규모 언어 모델(LLM) 기반 프로그램 합성으로 재구성한다: 형식화된, 검사 가능한 규칙 프로그램은 Medi-Sim이라는 다중-agent 시뮬레이터의 다섯 가지 전
구조 기반 정보를 활용한 리로팅 Levin Tree Search는 복잡한 단일 에이전트 결정론적 문제를 해결하기 위해 효과적인 정책 Tree Search 알고리즘입니다. 그러나 이전의 알고리즘은 명시적인 subgoal 생성이 발생하여 성능 저하를 일으켰습니다. 본 논문에서는 $\sqrt{\text{LTS}}$ 알고리즘을 활용하여 learned rerooter를 설계하여 이러한 제한을 극복하고자 합니다.
