963개의 기사
인공지능의 창의력 연구: 도구 재활용을 통한 사물 기능 기반 도구 사용 평가 arXiv:2605.02910v2 발표 유형: 새로운 요약: 대규모 언어 모델(LLM)의 최근 발전은 추론 및 환경 상호작용과 같은 작업에서 좋은 성능을 나타냈지만 창의적 문제 해결 능력은 여전히 연구되지 않은 상태이다. 우리는 창의적 도구 사용을 통해 이 능력을 연구한다. 여기서 모델은 지식 기반에 있는 사물의 기능 및 특성에 대하여 논리적으로 사고하며, 일반적인 사용을 의존하지 않고 사물의 새로운 용도를 사용한다
대규모 언어 모델(LLM)-powered 에이전트는 자율적인 작업 수행, 도구 사용 및 단계별 추론에 강한 능력을 보이지만, 그 증가하는 자율성은 새로운 공격 표면을 제공한다. 이 연구에서는 LLM-powered 에이전트의 위조 상호 작용 패턴을 탐지하기 위한 저-latENCY 위조 탐지 레이어를 제안한다.
대규모 언어 모델(LLM)로 구동되는 과학 워크플로우에서 단일 에이전트 시스템(SAS)은 기본 패턴이지만, 단일 컨텍스트 창 내에서 도구 사용 및 합성과 같은 경로 계획에 단점이 있다. 단일 에이전트 아키텍처의 컨텍스트飽和현상을 해결하기 위해, 저자는 수력학 분야에서 다중 에이전트 시스템(MAS) 프로토タイプ를 제시한다. 이 프로토タイプ는 Layer Execution Graph(LEG)로 에이전트를 협조시킨다. 계획 에이전트는 자연어 경로 힐리스트릭스에 기반하여 도메인 지식을 캡처하는 query-specific execution topologies를 생성한다. 전문가 에이전트는 엄격한 도구 허용 목록 내에서 작동하고, 대체 데이터 클래스 역할을 한다. 계층 간에, 합성 에이전트는 병렬 출력을 짧은 요약으로融合하고, 보고 에이전트는 최종 응답을 합성한다. 에이전트 실행 시, 런타임 로그는 모든 도구 호출에 대한 증명성을 지원한다.
새로운 AI 언어 치료 에이전트가 개발되었습니다. 이 에이전트는 언어 장애 치료의 개인화된 치료 계획을 자동화하고, adaptivley 업데이트하는 workflow를 제공합니다. 이 에이전트는 언어 장애 유형을 분류하고, 치료 계획을 생성, 검토, 개선하는 ability를 제공합니다.
FINALES와 Kadi4Mat 사이의 AI 인터페이스를 통해 배터리 연구를 가속화하는 것 시간이 많이 소요되는 형성 과정은 나트륨 이온 동전 세포의 수명과 종료 시 성능에 중대한 영향을 미치기 때문에 연구의 목표는 형성 프로토콜을 최적화하여 지속 시간 효율성을 향상하고 높은 성능 결과를 달성하는同时 실험의 수를 최소화하여 자원 소비를 줄이고 발견을 가속화하는 것이다. 특히, 형성 시간을 최소화하고 종료 시 성능을 최대화하는 두 가지 목표가 서로 상충할 수 있기 때문에, 이 연구에서는 두 가
의료 진단에 정확하고 검증 가능한 답변이 필요합니다. 그러나 대규모 언어 모델(LLM)은 의료 분야에서 정확성이 중요할 때 허구를 생성하는 경향이 있습니다. 기존의 검색-추가-발생(RAG) 시스템은 모든 증거를 동일하게 다루어 noise한 문맥과 의료 관행과 일치하지 않는 일반적인 답변을 생산합니다. 이에 대한 해결책으로 진료Bot을 제시합니다.
유럽의 소medium-sized enterprises (SMEs)에서 지속 가능한 경쟁력을 확보하기 위한 새로운 AI-드라이브 프레임워크를 제시합니다. 이 프레임워크는 환경, 사회, Corporate Governance (ESG) 성과를 평가하는 데 사용됩니다. AI 에이전트 시스템은 대규모 언어 모델(LLM)과 같은 기술을 사용하여 ESG 성과를 자동화하고 추천을 생성합니다.
SAP은 독일의 AI스타트업 Prior Labs를 인수하고 거대 투자를 계획한다. 또한 고객의 에이전트가 사용할 수 있는 선택적인 소프트웨어 중 Nvidia의 NemoClaw를 허용한다.
CopilotKit은 앱 내 AI 에이전트를 배포하는 개발자들을 돕기 위해 27억 달러를 모금했습니다. 이 모금은 시애틀에 기반을 둔 스타트업의 Series A 라운드였으며, Glilot Capital, NFX, SignalFire가 주도했습니다.
인공지능이 인간과 기계의 경계를 점점 모호하게 만들면서, 인간-기계 협생에서 발생하는 인공지능이 생성한 정보의 정의가 어려워지고 있습니다. 이러한 정보는 인간과 기계가 상호 작용하여 생성되기 때문에, 인공지능이 참여했는지를 의심하는 것이 아니라, 어떻게 참여했는지를 살펴보아야 합니다. 이 연구에서는 인공지능이 자연어 생성에서 수행하는 기능 역할을 추적하는 문제를 다루고, 입력 프롬프트에서 작성을 추론하고, 생성 과정에 이 역할을 삽입하여, 결과 텍스트에서 AI 참여의 본질을 회복하는 방법을 제안합니다.
강화 학습(RL)은 대규모 언어 모델(LLM) 에이전트가 환경과 상호 작용하고 다중 턴 태스크를 해결하는 능력을 크게 향상시켰다. 그러나 효과적인 훈련은 희소한 결과만 제공하는 보상으로 인해 에이전트의 행동 경로의 개별 단계에 대해 신뢰를 부여하는 것이 어려움을 겪고 있다. 일반적인 대안은 중간에-density 보상을 지원하는 프로세스 보상 모델이나 보조 자가 감독 신호를 도입하는 것이다. 그러나 이 방법은 감독 및 튜닝 복잡성을 증가시키고 종종 태스크 및 도메인 간에 일반화가 잘되지 않는다. 이
작업 도구 사용의 계단을 따라가며, 작은 개방 무게 모델이 얼마나 높은 계단을 올라갈 수 있을까? 작동 도구 시스템은 사용자 요청당 많은 모델 호출을 하며, 대부분의 호출은 짧고 구조화된 루틴 작업이다. 이로 인해 기존 평가가 직접적으로 대답하지 못하는 실용적인 라우팅 문제가 발생한다. 작동 도구 워크플로의 어떤 부분이 대규모 전진 지능이 필요하고, 어떤 부분이 작은 모델로 처리할 수 있을까? 작동 도구 워크플로의 어떤 부분이 대규모 전진 지능이 필요하고, 어떤 부분이 작은 모델로 처리할 수 있을까?
이동 계획 최적화에 있어 과거의 시스템들에게는 경로를 선택하는 것에만 초점을 맞춘 시스템들이 많았습니다. 하지만 실제 이동 계획의 질은 여행 시간, 에너지 소비, 교통 상황 등 다양한 요인에 의해 영향을 받습니다. 따라서 이 논문에서는 에이전트 AI 프레임워크를 통해 동적 개선이 가능하도록 교통, 충전, Interest Point를 위한 특화된 에이전트를 조정하는 오케스트레이션 에이전트를 설계하고, Trip-planning Optimization Problems Dataset을 통해 정의된 최적의 솔루션과 카테고리 수준의 태스크 구조를 제공하여 최적화 성능의 객관적인 평가를 가능하게 합니다.
집단 행위의 원인 기반은 복잡한 인공지능 시스템의 안전성을 보장하는 데 중요한 도전 중 하나입니다. 여러 단순한 에이전트가 의도치 않게 집단 에이전트를 형성하고, 단일 에이전트보다 능력과 목표가 다른 집단 에이전트를 형성할 수 있습니다. 더 일반적으로, 여러 에이전트가 단일 집단 에이전트로 간주할 수 있는지 결정하는 것은 생물학적 및 인공 시스템의 상호 작용 및 인센티브에 대한 기초적인 문제입니다. 이 문제를 해결하기 위해, 우리는 행동에 대한 관점을 취하고, 집단의 행동을 예측하는 데 집단의 공동 행동을 합리적이고 목표 지향적으로 간주할 때 집단 에이전트로 간주합니다. 우리는 이 관점을 집단 에이전트로 formalize하기 위해 인과 게임 (causal games) - 인과 모델의 전략적, 다중 에이전트 상호 작용 - 과 인과 추상화 (causal abstraction) - 복잡한, 저수준 모델을 간단하고 고수준의 모델이 충실하게 캡처하는지 formalize하는 것을 사용합니다.
대규모 언어 모델(LLM) 기반 에이전트에서 도구 보강이 사고력과 신뢰성을 개선하는 데 도움이 된다는 일반적인 믿음은 항상 성립하지 않는다는 것을 보여주었습니다. 도구 보강이 원래의 CoT보다 성능을 개선하지 못하는 경우가 있습니다. 이 성능 격차를 설명하기 위해 우리는 도구 호출 프로토콜의 비용, 도구 호출 프로토콜의 오버헤드, 도구를 실행하는 실제 이익을 분리하는 factorized intervention framework를 제안했습니다. 분석 결과, 의미론적 노이즈가 있는 경우 도구의 이익이 도구 사용세를 상쇄하지 못하는 비용이 있다는 것을 발견했습니다. 이를 해결하기 위해 우리는 G-STEP, 도구 호출 프로토콜에 의한 오류를 완화하는 가벼운 인퍼런스 타임 게이트를.Validate.
자율적 AI 시장에서 신뢰도 시스템은 중앙 집중식 감독 없이 운영되는 소프트웨어 개발 task를 지원하기 위해 급속히 등장하고 있습니다. 그러나 현재의 신뢰도 메커니즘은 3 가지 기본적인 이유로 실패합니다.
도구 증강 연속성(TADI)은 연속성 운영 데이터를 증거 기반 분석적 지능으로 변환하는 대인 AI 시스템입니다. TADI는 1,759개의 일일 연속성 보고서, 선택된 WITSML 실시간 객체, 15,634개의 생산 기록, 형성 꼭대기, 연이을 구멍을 이중 저장 구조에 통합합니다. 이 시스템은 12개의 테이블에 65,447개의 행이 있는 DuckDB를 사용하여 구조화된 쿼리와 36,709개의 임베디드 문서를 위한 ChromaDB를 사용하여 의미론적 검색을 지원합니다.
마이크로소프트는 법무팀을 위한 새로운 AI 에이전트를 워드 내에 출시했습니다. 이 에이전트는 문서 편집, 협상 기록, 복잡한 문서 등을 처리하여 법무팀이 계약 검토와 같은 업무를 효율적으로 처리할 수 있도록 도와줍니다.
초코는 OpenAI API를 활용하여 식품 배달을 간소화하고 생산성을 향상시키며 성장 잠재력을 열어보았습니다. 이 고객 사례는 실제 AI의 영향력을 자세히 설명합니다.
심포니는 Codex 오케스트레이션을 위한 오픈 소스 스펙으로, 이슈 트래커를 항상 켜진 에이전트 시스템으로 변환하여 엔지니어링 출력을 향상하고 컨텍스트 스위칭을 줄입니다.
OpenAI의 GPT 모델, Codex, Managed Agents가 이제 AWS에서 사용할 수 있습니다. 이들은 기업들이 안전한 AI를 AWS 환경에서 구축할 수 있도록 도와줍니다. 대규모 언어 모델(LLM)과 같은 최신 AI 기술을 활용하여 AI 개발을 가속화할 수 있습니다.
구글의 8세대 TPU는 두 개의 특화된 칩을 포함하여 AI의 미래를 대표할 것입니다. 이 칩들은 AI의 대인적 시대에 중요한 역할을 할 것입니다.
다양한 평가자 모델이 대립적 역할을 할 때, 다중 에이전트 LLM 파이프라인이 민주적 토론 분석 시스템에서 점점 더 많이 사용되고 있습니다. 이 연구는 TRUST 파이프라인을 사용하여 대변자 역할을 유지하는 것에 대한 기본 가정에 대한 첫 번째 체계적인 실험적 테스트를 제공합니다. 또한 대변자 역할 충실도에 대한 4 가지 지표를 사용하여 60 개의 정치 성명(30 개의 영어, 30 개의 독일어)을 측정합니다.
인터넷에서 정보를 검색하고 추출하기 위한 이중 계층 다중 에이전트 대규모 언어 모델(LLM) 시스템: Web2BigTable 인터넷에서 정보를 검색하는 에이전트는 두 가지 đòi을 충족해야 한다. 하나는 단일 타겟에 대한 깊은 사고이고, 다른 하나는 여러 엔티티와 다종류의 소스에 대한 구조화된 집계이다. 현재 시스템은 두 가지 모두에서 성능이 좋지 않다. 넓이 지향적인 태스크는 넓은 범위의 커버리지와 엔티티 간 일관성을 갖춘 스키마 정렬된 출력을 요구한다. 깊이 지향적인 태스크는 긴 분기하는 검
