961개의 기사
OSCToM: RL-Guided Data Efficient Adversarial Generation for High-Order Theory of Mind arXiv:2605.20423v1 Announce Type: New Abstract: Large Language Models (LLMs)는 많은 언어 작업에서 잘 수행하지만, 그들의 마음의 이론 (ToM) 논리는 여전히 복잡한 사회 환경에서 불균형합니다. ExploreToM을 포함한 기존 벤치마크는 항상 이러한 설정을 어렵게 만드는 회귀 신념과
Closed-loop Optimization,Simulation,and Modeling Orchestration arXiv:2605.20190v1 Announce Type: New Abstract: Iterative Industrial Design-Simulation Optimization은 CAD-CAE 시멘틱 격차에 의해 병합됩니다 : 다양한 커플링 제약하에 유효한 기하학 편집으로 시뮬레이션 피드백을 번역합니다.이 격차를 채우기 위해 우리는 COSMO-Agent (Closed-loop Opti
SOLAR: Self-Optimizing Open-Ended Autonomous Agent for Lifelong Learning and Continual Adaptation arXiv:2605.20189v1 Announce Type: new Outward Abstract: 대형 언어 모델 (LLMs)의 놀라운 성공에도 불구하고 동적, 실시간 학습 패러다임 내의 이러한 제한을 해결하기 위해, 그들은 여전히 풍부한 수동 데이터 치료를 필요로하거나 재발성하지 않고 대형 언어 모델 (LLMs)에 적응하
스포티파이 스튜디오의 AI 에이전트는 당신을위한 일상적인 포스팟을 만듭니다 스포티파이 실험실의 스포티파이 실험실은 매일 매일 브리핑, 포스팟 및 플레이리스트를 채팅봇 인스턴스를 사용하여 PC에 생성하는 새로운 독립적 인 AI 응용 프로그램입니다.The AI-generated content draws from your Spotify listening history, as well as information from apps you connect to it, like your email inbox,
구글이 AI 에이전트 생태계를 판매합니다. 많은 AI 에이전트들이 곧 나타날 것입니다. 구글은 그들이 소비자가 구매하지 않을 경우 AI 에이전트 생태계를 판매할 것이라고 발표했습니다.
Nvidia CEO 제인슨 후앙은 인공지능 에이전트용 CPU 시장에서 새로운 기회를 발견했다고 전했다. 이 시장의 규모는 2조 달러에 달한다. 그는 이 시장의 잠재력을 강조하며, Nvidia의 다음 큰 기회가 될 것이라고 말했다.
구글이 AI 에이전트를 유용하게 만들 수 없다면, 아무도 만들 수 없을 것 같다. 기술 기업들은 몇 년 동안 AI가 모든 사람에게 능력 있는 개인 보조원을 제공할 것이라고 약속했지만, 더없이 어리석은 인턴보다 더 비슷한 것을 제공했다. 지난 6개월 동안, OpenClaw라는 오픈 소스 AI 에이전트 플랫폼의 virality로 인해 그 변화가 시작되었다. OpenClaw와 유사한 성공을 추구하는 최상위 AI 연구소 중 하나가 특히 [...]
Semantic Web Services 커뮤니티는 2십년 전부터 agent가 다른 ontological commitment을 가진 web service를 발견, 합성, 호출할 수 있는지 물어봤습니다. 그 대답은 OWL-S와 WSMO였습니다. 현재 Knowledge Graph(KG) metadata 표준인 VoID와 DCAT은 KG가 무엇을 포함하고 있는지 설명하지만, agent가 KG에서 무엇을 증명할 수 있는지, empty 결과에 대한 closure 가정, agent의 task vocabulary가 schema에 기반을 두고 있는지 등은 NOTHING을 말하지 않습니다. 우리는 이러한 지식을 KG 설정에 다시 돌아가고 확장합니다. Agent Knowledge Framework는 4차원 formal framework에서 나온 Agentic Affordance Profile(AAP)로 정의됩니다. AAP는 VoID와 DCAT 위에 있는 semantic layer로 KG 선택, 합성, failure diagnosis를 agent planning time에서 원칙적으로 할 수 있도록 합니다.
자동 연구 시스템은 완전한 논문을 생성할 수 있지만, feasiblity는 quality와 다른 문제를 가지고 있다. 연구 시스템의 자율성은 아직까지도 시스템의 자율성과 실제 연구의 질 사이의 격차를 가지고 있다. 연구 시스템의 자율성을 높이기 위한 새로운 연구 Arena가 소개되었다.
자동화 도구 사용에서의 의사 결정권 확장: 신뢰 도출의 공식화 자동화 도구 사용에서 의사 결정권 확장 공식화, 즉 자동화된 에이전트가 제안하는 행동이 자율적으로 실행되거나 인간 승인 필요 여부를 결정하는 것을 인간의 위험 동의 함수를 관찰하는 프로빗 likelihood에 의한 가우시안 프로세스 포스트리어를 유지하는 정책 게이트웨이로 preference-learning 문제로 간주한다. 자동화 도구 사용에서 의사 결정권 확장 공식화는 구조적으로 Preferential Bayesian Optim
워크플로우 학습을 위한 인터페이스 제약 하의 확실히 수렴하는 방법 학습 워크플로우 학습을 위한 인터페이스 제약 하에서, 각 에이전트는 공유된 artifact와 자신의 개인 상태에 대한 지역 함수만 관찰하고, 중앙 집중식 학습자가 공동 경로에 접근하지 않는 다중 에이전트 대규모 언어 모델(LLM) 파이프라인의 운영 영역을 연구합니다. 이 영역을 인터페이스 제약 하의 반semi-Markov 결정 과정(IC-SMDP)으로 구체화하고, 에이전트 간의 교차 조정은 매 이관마다 정확히 하나의 스칼라로 디자
POLAR-Bench: 프라이버시-유틸리티 트레이드오프를 위한 대규모 언어 모델(LLM) 에이전트의 진단 벤치마크 대규모 언어 모델(LLM) 에이전트는 점점 더 사용자의 개인 정보에 접근하고 사용자의 대리인으로서 세 번째 당사자 시스템과 상호 작용할 때 사용자의 의도에 따라 행동한다. 사용자는 공유할 수 있는 것과 공유하지 말아야 하는 것을 정의하고 에이전트는 세 번째 당사자 시스템이 적대적으로 행동하는 경우에도 그 의도를 강력하게 따르도록 해야 한다. POLAR-Bench(정책에 의한 적대
DecisionBench는 긴 시간 범위의 에이전트 워크플로우에서 유도된 위임의 벤치마크이다. DecisionBench는 작업 집합(GAIA, tau-bench, BFCL multi-turn), 동료 모델 풀(11 모델, 7 벤더 가족), 위임 인터페이스(call_model와 읽기 프로파일 채널의 옵션), 결정론적 스킬-ANNOTATION 레이어, 품질, 비용, 지연 시간, 위임률, 라우팅 신뢰도-at-k, 벤더 자체 선호도, 그리고 카운터팩토럴 위임 천장으로 구성된 다중 축 메트릭 스위트를 포함
대규모 언어 모델(Large Language Model, LLM) 기반의 자율 에이전트가 복잡한 추론과 실행을 가능하게 한 결과, 에이전트 간 협력 네트워크가 등장하고 있다. 이러한 네트워크는 단일 에이전트가 전체 작업을 수행하는 것보다 작업 성능이 좋아 보이지만, 현재 에이전트 정렬 기술로는 존재하는 시스템 취약성, 즉 적대적 합성, 의미 불일치, 연쇄적 운영 실패를 해결할 수 없다. 이 비전 논문에서는 에이전트 간 협력 네트워크의 신뢰성을 보장하기 위해 기존 프로토콜에 retrofitting하는 것만으로는 충분하지 않으며, 네트워크 협력 프레임워크의 시작부터 신뢰성을 설계해야 한다고 주장한다.
대화형 자연어를 SQL로 변환하는 문제는 연구자와 기업에게 중요한 문제로, 관계형 데이터베이스가 광범위한 실용적인 문제에 중요한 역할을 하기 때문이다. 대규모 언어 모델(LLM)의 능력 향상에도 불구하고, 대화형 자연어를 SQL로 변환하는 문제는 인간 전문가 SQL 작가와의 정확도 면에서 여전히 열린 문제로, 추가적인 개선이 필요하다. 이 연구에서는 대화형 자연어를 SQL로 변환하는 새로운 다중 에이전트 방법을 제시한다. 이 방법은 78.1%의 의미적 정확도를 달성하는 BIg Bench for LaRge-scale Database (BIRD) 벤치마크에 대해 평가되었다. 이 연구의 주요 기여는 다음과 같다: (a) 다중 에이전트 솔루션에서 최적화된 새로운 오케스트레이터를 설계하여 LLM을 사용하여 계획, 오케스트레이션, 반영, 자체 교정하여 정확한 SQL 쿼리를 생성한다. (b) 고급 스키마 enrichment 방법을 개발하여 정확성을 향상시키기 위해 계층 구조 메타데이터를 생성한다. (c) BIRD-SQL 벤치마크에서 다중 도메인과 데이터셋에 대한 정확성과 일반화성을 평가하여 정확성과 일반화성을 보여준다.
구글이 25년 만에 처음으로 검색 상자를 리디자인했습니다 – 그 이유는 더 중요합니다. 구글의 검색 상자는 25년 동안 컴퓨팅의 가장 인식적인 인터페이스 중 하나였습니다. 얇은 흰색 사각형, 깜박이는 커서, 몇 개의 입력 문자, 그리고 파란색 링크 목록. 화요일, 구글은 그 PARA드igm을 공식적으로 은퇴했습니다. 구글의 개발자 회의(I/O developer conference)에서, 구글은 검색 상자를 리디자인했습니다 – 이 때 BILLIONS의 질의가 시작되는 실제 텍스트 필드에서 – 간단한
Ocean이라는 구체적 이메일 보안 플랫폼은 AI를 통해 Incoming 이메일의 맥락을 철저히 분석하여 위조 및 변조 시도 감지에 성공했다고 주장합니다. Ocean의 창업자는 테인 헤크러에서 AI 연구자로 성장하여 AI 피싱을 저지하기 위한 목표를 달성했습니다.
구글은 사용자가 업데이트 및 변경 사항에 대해 사전에 알릴 수 있는 배경에서 주제를 모니터링하는 AI-powered '정보 에이전트'를 출시하고 있습니다. 이 에이전트는 사용자가 원하는 정보를 빠르게 찾을 수 있도록 도와줍니다.
구글은 AI 기술을 기반으로 한 미래를 약속하고 있습니다. 이 약속은 모두 당신의 신뢰와 개인 데이터에 달려 있습니다. 구글은 I/O 2026에서 새로운 도구를 발표했으며, 이 도구들은 당신의 삶을 더 쉽게 만들어 줄 것이라고 주장합니다.
구글은 개발자 회의(I/O developer conference)에서 새로운 개인적인 대화형 보조 도구인 Gemini Spark를 발표했습니다. Gemini Spark는 Gemini의 기본 모델과 구글의 Antigravity에서 개발한 대화형 보조 도구의 하부 시스템을 기반으로 만들어졌습니다.
구글은 검색 결과가 링크 목록에서 AI 보조 경험으로, 대화식 답변, 자율 요원, 상호 작용 인터페이스로 전환하는 것이고, 이는 웹상의 출판사에 대한 트래픽을 더 줄일 수 있는 가능성을 열어놓고 있다.
인공지능(AI) 프로그래밍 에이전트의 활용을 지원하기 위해 구글은 안드로이드 CLI(명령 줄 인터페이스)를 출시했다. 구글은 대규모 언어 모델(LLM)과 같은 플랫폼과 호환되는 새로운 안드로이드 도구를 출시하여 개발자 또는 개발자의 AI 보조자가 명령 줄에서 안드로이드 앱을 더 빠르게 빌드할 수 있도록 지원한다.
구글은 배경에서 주제를 모니터링하고 사용자에게 업데이트와 변경 사항에 대한 예방적 경고를 제공하는 AI-powered '정보 에이전트'를 출시합니다. 이 기술은 대규모 언어 모델(LLM)과 같은 AI 기술을 기반으로 하며, 사용자에게 필요한 정보를 제공하는 데 도움이 될 것입니다.
구글은 최근 개발자 회의에서 Gemini 3.5 플래시를 출시했는데, 이는 현재까지 가장 강력한 코딩 및 에이전트 AI 모델입니다. 이 모델은 복잡한 작업을 자율적으로 수행하고 소프트웨어를 처음부터 구축할 수 있습니다.
