본문으로 건너뛰기

#AI 에이전트

961개의 기사

에이전트 5월 23일

Crowd Preferences의 암시적인 안전 조정

Crowd Preferences arXiv:2605.21822v1 Announce Type: new Abstract: Reinforcement Learning from Human Feedback (RLHF)는 작업 완료를 초과하는 안전 고려 사항과 같은 암시적인 목표를 밝힐 수 있습니다. 이 작업에서 우리는 대중 선호 데이터 세트에 내장된 공통 보안 기준에 초점을 맞추고 있으며, 다른 사용자가 다른 선호도 또는 목표를 표현할 수 있지만 유사한 보안 원칙을 따를 수 있습니다. 우리의 목표는 대중 선

에이전트 5월 23일

Trace2Skill: 장기 콘텍스트 EDA 에이전트를 위한 검증 가이드 기반 기술 진화

Trace2Skill: 검증기 안내형 기술 진화 방법을 사용한 긴 문맥의 EDA 에이전트 arXiv:2605.21810v1 발표 유형: 신규 요약: 복잡한 베리로그 설계 문제(CVDP)는 하드웨어 대규모 언어 모델(LLM) 에이전트에게 도전을 제기합니다. 이러한 문제를 해결하려면 대규모 저장소 스냅샷 내에서 검증기 관련 RTL, 테스트 벤치, 포함 경로 및 빌드 종속성을 지역화하고 정밀한 편집을 수행하며 희박한 숨겨진 검증기 오류에서 복구해야 하기 때문입니다. 우리는 RTL에 특화된 모델 미세 조

에이전트 5월 23일

SMDD-벤치 : LLM은 실제 작은 분자 약물 디자인 작업을 해결할 수 있습니까?

SMDD-벤치: LLM은 실제 세계의 소분자 약물 디자인 과제를 해결할 수 있습니까? arXiv:2605.21740v1 발표 유형 : 새로운 포스트 : LLM 에이전트는 과학적 발견 응용 프로그램에 대한 놀라운 잠재력을 가지고 있습니다. 그러나 실제 세계의 소분자 약물 디자인 (SMDD) 과제에 대한 LLM 에이전트의 성능은 분명하지 않습니다. 현재의 평가 방법은 ad hoc, 현실 세계의 발견에 너무 간단하고 규모가 제한되거나 단일 회전 질문 응답에 제한됩니다. SMDD-벤치 (SMDD) 과제

에이전트 5월 23일

AOP-Wiki EMOD 3.0: 데이터 모델 확장 및 콘텐츠 평가 프레임워크 (에이전틱 AI를 활용하여 AOP와 새로운 접근 방식 방법론 간 통합 개선에 사용)

AOP-Wiki는 내부 통합 데이터 모델 확장 및 컨텐츠 평가 프레임 워크를 통해 AOPs와 새로운 건강 접근 방법론 (NAMs) 사이의 통합을 개선하기 위해 Agentic AI를 사용하는 데이터 모델링 프레임 워크 (AOP)를 개선했습니다. arXiv:2605.21645v1 Announce Type: new Abstract: Adverse Outcome Pathways (AOP) is logical models that causeally link biological mechanisms that

LLM PC 5월 23일

TO-Agents: 선호도 가이드 토폴로지 최적화를 위한 멀티 에이전트 AI 파이프라인

TO-Agent Selector: A Multi-Agent AI Pipeline for Preference-Guided Topology Optimization arXiv:2605.21622v1 이러한 효과적인 발표 유형 : 새로운 추론 : 메모리 최적화는 효율적인 피드백을 생성 할 수 있지만 디자이너는 종종 원하는 시각적 스타일, 제품 경험 또는 파이프터 최적화 설정을 원하는 파이프터 설정으로 수동으로 번역해야합니다. 우리는 TO-Agents, 천연 언어 설계 의도를 iterative topolo

에이전트 5월 22일

전기차 배터리 고장 감지 및 진단을 위한 VBFDD-에이전트: 배터리 디지털 신호의 서술적 텍스트 모델링

VBFDD-Agent for Electric Vehicle Battery Frame Fault Detection and Diagnosis: Descriptive Text Modeling of Battery Digital Signals arXiv:2605.20742v1 Announce Proposal Type: New Abstract: 전기 차량의 급속한 확산으로 리튬 이온 배터리의 안전성과 신뢰성은 중요한 우려가되었습니다. 효과적인 변형 탐지은 배터리 안전한 작동을 보장하기 위해 필수적입니다. 그

에이전트 5월 22일

선언적 데이터 서비스: 데이터 시스템 구성 위한 구조화된 에이전트 발견 리뷰 보기

오류 보고서 데이터 서비스 : 구성 데이터 시스템을 구성하기위한 구조화 된 에이전트 데이터 프레임 탐색 arXiv:2605.20690v1 광고 유형 : 새로운 추론 : 에이전트 연구는 LLM 기반 검색이 벤치마크 조건 하에서 새로운 알고리즘, 디자인 및 코드를 찾을 수 있음을 보여주었습니다. 패러다임을 멀티 시스템 데이터 백엔드에 번역하는 것은 더 어려운 문제를 야기합니다 : 검색 공간은 heterogeneous이며, 검사자는 배포 된 스택이 실제로 실행되는지 여부이며, 구성 지식은 사전 훈련에서

에이전트 5월 22일

COAgents: Routing Problems Search Space를 배우고 탐색하는 멀티 에이전트 프레임 워크

COAgents는 21 VROMO 강력한 도메인입니다: 멀티 에이전트 코드 프레임 워크를 배우고 루팅 문제를 탐색하기위한 스페이스 arXiv:2605.20618v1 광고 유형 : 새로운 추론 : 차량 루팅 문제 (VRP)는 많은 실제 시스템에 필수적이지만, 그들은 그들의 조합 복잡성에 대한 복합적 복잡성으로 인해 계산 불가능합니다. 전통적인 heuristics는 로컬 개선을위한 수작업 규칙에 의존하며, 때때로 \textit{jumps}는 로컬 최소한을 피하기 위해 남아 있습니다. 그러나 종종 다양

에이전트 5월 22일

HANA(Hierarchical Agent-Native Network Architecture)에 대한 리뷰 보기

자동화에서 자율주행: 계급 네트워크 아키텍처 (HANA) arXiv:2605.20608v1 발표 유형: 새로운 추론: 레벨 4/5 자율주행 네트워크 (AN)를 실현하는 것은 정적 자동화에서 에이전트 원주민 인텔리전스로의 전환을 요구합니다. 고체 스크립트에 의존하는 현재 운영은 명칭 조건을 제외한 인텔리전스를 처리하기 위해 인텔리전스 기관이 부족합니다. 이를 해결하기 위해이 편지는 높은 수준의 자율주행을 허용하는 계급 다수 에이전트 참조 아키텍처를 제안합니다. 프레임 워크에는 5G 코어 환경 내에서

연구 5월 22일

Mahjax : JAX에서 강화 학습을위한 GPU 가속화 된 Mahjong 시뮬레이터

Mahjax: A GPU-Accelerated Mahjong Simulator for Reinforcement Learning in JAX arXiv:2605.20577v1 Announce Type: new Abstract: Riichi Mahjong은 스토하스틱과 고차원 상태 공간에 의해 특징을 갖춘 멀티 플레이어, 불완전한 정보 게임입니다. 이러한 특성은 강화 학습에서 복잡한 실제 의사 결정 문제를 반영하는 독특한 조합을 제공합니다. 이전 연구는 정책을 사전 교육하기 위해 인간 플레이 로그에서

연구 5월 22일

인공지능 에이전트와 개인성 엔지니어링 : 협상 연구를위한 새로운 방법론

AI 에이전트와 개인성 엔지니어링 : 협상 연구를위한 새로운 방법론 arXiv:2605.20554v1 발표 유형 : 새로운 추론 : 캐논적 협상 이론에 따르면 사람들의 성공은 경쟁 요구 사항을 얼마나 잘 균형 잡는지에 달려 있습니다. AI 에이전트는 동일한 제한에 직면하지 않으며, 다른 사람에 대한 우려와 자신에 대한 우려를 보여주고, 사람들에게 부드럽고 문제에 어려움을 겪고 있습니다. 그러나 사람들은 이러한 긴장감을 관리하기 위해 어려움을 겪고 있으므로 연구자들은 통제 된 조건에서 필드 처방을

에이전트 5월 22일

AgentAtlas : LLM 에이전트를위한 결과 리더보드 이상

에이전트 Remlas : LLM 에이전트에 대한 단일 닫힌 도구 리더보드 arXiv:2605.20530v1 고정 유형 발표 : 새로운 추론 : 대형 언어 모델 에이전트는 이제 코드베이스, 브라우저, 운영 체제, 달력, 파일 및 도구 생태계에 작용하지만, 그들을 평가하는 데 사용 된 벤치마크는 더 이상 분할되지 않습니다 : 각각 측정의 다른 유닛을 강조합니다 (마지막 작업 성공, 도구 호출 유효성, 반복 트래픽 일관성54, 경로 보안, 또는 공격 강도). 2024-2025 작업의 라인은 단일 정확도

에이전트 5월 22일

국경 AI 능력을 측정하기위한 오픈 월드 평가

프랜차이즈 인공지능 능력을 측정하기 위한 오픈 월드 평가 arXiv:2605.20520v1 발표 유형: 새로운 추론: 벤치마크 기반 평가는 프랜차이즈 인공지능 진전을 추적하기 위해 중요하다. 그러나 그것은 정확하게 지정, 자동적으로 등급, 최적화하기 쉽고 낮은 예산과 짧은 시간 경계로 실행할 수있는 작업을 우선시할 수 있기 때문에 배포 된 능력을 과도하고 과도 할 수 있습니다. 이 논문에서 우리는 최근의 오픈 월드 평가를 조사하고, 그들의 강점과 한계를 식별하고, CRUX (오픈 월드 업데이트를위

에이전트 5월 22일

AgentCo-op: 상호 운용 가능한 다중 에이전트 워크플로우의 검색 기반 합성에 대한 리뷰 보기

AgentCo-op: 상호운용성이 가능한 다중 에이전트 워크플로우의 검색 기반 합성 리뷰 보기 AgentCo-op: 상호운용성이 가능한 다중 에이전트 워크플로우의 검색 기반 데이터 합성 arXiv:2605.20425v1 알림 유형: 신규 초록: AgentCo-op 기반 워크플로우 설계는 특히 교육용 데이터 세트가 없고, 신뢰할 수 있는 스칼라 평가 지표가 없으며, 기존 도구와 에이전트 간에 표준화된 인터페이스가 없는 개방형 과학 환경에서 특히 어렵습니다. 우리는 AgentCo-op를 제안합니다.

인기 태그