#DeepSeek

29개의 기사

알리바바, 문샷 AI, DeepSeek의 인공지능 특성 추출 캠페인

중국 기반의 AI 회사들이 최근 몇 달 동안 경쟁이 심해지면서 지속적인 증류 공격을 수행하고 있다고 Anthropic이 목요일에 발표한 새로운 보고서에 따르면.

작고 저렴한 의사소통 모델링: 노트북에서 대형 LLM--agent 사회를 시뮬레이션하기

대규모 언어 모델(LLM) agent들의 사회를 시뮬레이션하는 것은 비용이 많이 들지만, 이러한 시뮬레이션에서 묻는 질문은 일반적으로 거시적인 차원에서 발생한다. 예를 들어, phase behavior, stylised facts, 그리고 agent들의 수 N에 따라 scaling하는 것들에 대한 질문이다. 이에 대한 해결책으로, 통계 물리학의 관찰을 방법으로 변환한다. 그 방법은 대규모 언

에이전트 8월 10일

웹 개발을 위한 LLM 훈련을 위한 자가 진화하는 프로그래밍 평가기

대규모 언어 모델(LLM)이 자연어 설명으로부터 완전한 웹사이트를 생성하는 데 증가하고 있다. 이에 따라 강화 학습이 기능적 격차를 줄이기 위해 중심적인 접근 방식이 되었다. 이 훈련 방식은 보상 디자인에 의해 병목 현상이 된다. 개방된 요구 사항에 대한 브라우저 스크립트는 실행 가능하지만 비용이 많이 들며, VLM과 GUI-agent 평가자도 확대하지만 결정적 상태를 관찰하기 전에 판결을

AI 모델 7월 24일

자율 TPU kernel 최적화 성능 측정 도구: JAXBench

AI 모델이 생성한 GPU 커널 최적화에 대한 구글 클라우드 TPU를 위한 새로운 벤치마크套件을 제시합니다. JAXBench는 50개의 JAX 작업을 포함하며, 최적화를 위한 여유를 제공하는 동시에 관련성이 있습니다. 이 벤치마크套켓에는 17개의 실제 ML 연산자와 33개의 KernelBench에서 검증된 연산자가 포함됩니다. 이 중 8개의 연산자는 Tokamax의 공개 라이브러리에서 제공하

AI 모델 7월 23일

LISA: 선형 인덱스 스파스 주의(LISA) - 효율적인 장기 논리적 추론을 위한 새로운 기술

장기 논리적 추론 모델의 최근 발전으로 인해 테스트 시간 척도 패러다임 하에서 더 긴 추론 문맥 길이가 증가하고 있습니다. 그러나 표준 자기 주의의 O(n^2) 계산 복잡성으로 인해 장기-CoT 논리적 추론의 배포는 생산 환경에서 제한됩니다. 이를 해결하기 위해 우리는 LISA(LISA)를 제안합니다. LISA는 원래 모델에 플러그 앤 플레이 주의 대체 모듈로 사용할 수 있는 플러그 앤 플레이 주의 대체 모듈입니다. LISA는 원래 모델에 두 가지 가벼운 구성 요소를 병렬로 통합합니다: (1) 선형 주의 모듈이 장거리 기억을 제공하는 O(n) 시간 복잡도; (2) 광속 인덱서가 전체 문맥에서 토큰의 상위 M을 선택하여 광속 자기 주의에 입력합니다. 두 가지 Branch는 게이트 메커니즘을 통해 결합되며, n 토큰을 생성하는 데 O(n^2)에서 O(nM) (M << n)로의 예측 복잡성을 줄입니다.

AI 모델 7월 22일

자연어로 된 모델링을 기반으로하는 인터랙티브 최적화 솔버

최근 대규모 언어 모델(LLM)의 발전으로 인해 실제 세계의 의사결정 문제를 자연어로 표현한 후 이를 수식적 수학적 공식으로 변환하고, 실행 가능한 해결책 코드로 변환하는 프로세스를 자동화하는 데 hứ부가 있는 결과가 나왔지만, 대부분의 기존 접근 방식은 한 번에 한 번만 수행된다. 즉, 모델은 한 번에 한 번만 수식화를 생성하고, 해결책의 피드백을 바탕으로 조건을 설정하지도 않고, 오류를

에이전트 7월 21일

플랜 플립: 멀티 에이전트 LLM 시스템 공격하기

멀티 에이전트 LLM 시스템이 계획 단계를 통해 목표를 분해하고, 이하의 이행자와 심사자 에이전트가 실행하고 감사하는 데 의존하는 것을 발견했습니다. 계획 단계는 공격 표면으로 인식되었으며, 계획자에 대한 단일 입력을 통해 동시적으로 모든 하위 작업이 부패되었습니다. 우리는 플랜 플립을 제시했습니다. 플랜 플립은 4 가지 계획 단계 지시어 삽입 공격을 포함합니다. - 목표 대체 (PF-1), 우선순위 반전 (PF-2), 맥락 오염 (PF-3), 역할 혼란 (PF-4) - 각은 의도적으로 키워드 필터를 회피하기 위해 합리적인 도구 출력으로 위장되었습니다. 우리는 9 개의 선도적인 LLM을 3,479 회의 에피소드에 걸쳐 평가했습니다. 우리는 세 가지 발견을 확인했습니다: (1) 능력은 취약성을 증폭시킵니다 - GPT-5는 가장 높은 공격 성공률 (ASR = 0.68)을 달성했습니다. 이는 더 강력한 모델이 자체적으로 더 안전하다는 가정에 반하는 것입니다; (2) 유사한 pipeline은 연관된 에이전트의 무시를 보여줍니다 - GPT-4o와 Llama-3.3-70B는 ASR가 근소한 차이로 0에 근접하지만 Stealth = 1.00과 StepShift > 0을 보였습니다. 공격은 계획을 재구성했지만 동일한 백본 Critic은 동의를 보고했습니다 (2 개의 independent judge가 -0.20에서 -0.32의 의미적 편차를 확인했습니다, r = 0.943); (3) 논리 증강 모델은 삽입 공격에 저항합니다 - DeepSeek-R1는 모든 공격에 대해 StepShift = 0.00을 달성했습니다. 우리는 GoalAnchorCheck (D1)과 CrossAgentConsensus (D2)를 제안했습니다. 이 두 가지 검출 기법은 1.00까지의 검출률을 달성하고, 16 개의 셀 중 15 개에서 동일한 백본 baseline보다 우수했습니다.我们的 핵심 발견: 다양한 모델 다양성은 멀티 에이전트 시스템의 보안 요구 사항입니다. 유사한 백본 내의 중복성은 계획 단계 공격에 대한 보호를 제공하지 않습니다.

에이전트 7월 20일

시퀀셜 진단을 위한 비용-aware 지식 강화 다중 agent 프레임워크: GraphDx

아카이브: 2607.15280v1 발표 형식: 새로운 요약: 순차적 진단은 반드시 진단 정확도와 자원 비용을 균형있게 유지하기 위해 반복적인 정보 수집을 통해 달성해야 합니다. 현재 대규모 언어 모델(LLM) 접근 방식은 지식-사고 격차를 보입니다: 광범위한 의학 지식을 인코딩함에도 불구하고, 자원 제약하에 논리적으로 사고하기 어려워 초과 테스트를 자주 하게 됩니다. 우리는 GraphDx라는

AI 모델 7월 10일

무한 파서2 기술 보고서

Infinity-Parser2는 대규모 다중 모드 모델로, 데이터 합성을 위한 제어 가능한 pipe라인과 다중 목표 강화 학습을 통해 문서 파싱을 끝까지 수행하는 시스템입니다. 우리의 기여는 세 가지로 나뉩니다. 첫째로, 우리는 대규모 데이터 합성을 위한 스케일러블한 엔진을 만들었습니다. 이 엔진은 제어 가능한 렌더링 프레임워크와 반복적인 개선 루프를 pairing하여, 5백만 샘플의 이중

에이전트 7월 9일

작업 재구조화와 승인-구조화된 위임: 다중 agent LLM 안전성

다중 agent 대규모 언어 모델(LLM) 시스템의 안전성 평가에서 계획자-수행자 PIPELINE과 직접적인 명령어를 비교하여 결과를 단일 'PIPELINE 효과'로 보고하는 것은 어려울 수 있다. 왜냐하면 이 합계는 세 가지 메커니즘을 혼동시키기 때문이다: 해로운 의도는 합리적인 작동 작업으로 재구성될 수 있으며, 계획자는 요청을 거부하거나 변형할 수 있으며, 수행자는 이전 승인 impli

에이전트 7월 9일

ARC-AGI-1에서 비용 효과적인 에이전트 하네스

AI 연구진은 새로운 에이전트 하네스 기술을 발표했다. 이 기술은 대규모 언어 모델(LLM)과 같은 고성능 모델을 필요로 하지 않고도 abstract reasoning과 generalization을 가능하게 한다. 연구진은 이 기술을 사용하여 ARC-AGI-1의 400-task 평가 집합에서 57.50%의 pass@2를 달성했으며, 이 성능은 \$0.25의 비용으로 달성되었다.

에이전트 7월 8일

LLM 과학적 발견 에이전트의 ауд이티블 질문 형성

과학적 발견을 도와주는 대규모 언어 모델(LLM) 시스템은 아이디어 생성, 문헌 통합, 실험 계획, 보고서 작성과 같은 과제를 수행하지만, 과학자들이 검토해야 할 첫 번째 연구 질문은 여전히 어려울 수 있다. 연구 질문이 생소하지 않으면서도 과학자들이 검토해야 할 기작, 거짓말자, 또는 가정에 노출되지 않을 수 있다. 우리는 과학적 대규모 언어 모델 agent를 위한 첫 원리 연구 질문 형성

AI 모델 7월 8일

자동 CAD 생성을 위한 기초 모델

최근 대규모 언어 모델(LLM)과 시각-언어 모델(VLM)의 발전으로 자연어 설명으로부터 매개변수 3D 디자인을 자동으로 생성할 수 있게 되었습니다. 이 장에서는 CAD 디자인의 자동 생성을 위한 기초 모델에 대한 경험적 연구를 제시하며, 97개의 엔지니어링 디자인 문제를 포함하는 고유한 평가 PIPELINE과 커밋된 벤치마크를 사용합니다. LLMForge라는 다중 모델 텍스트- CAD 프레

AI 모델 7월 1일

학습을 중단할 때는 언제 도움이 되는가? : 합리적 모델의 조기 종료에 대한 비용에 대한 연구

이 논문은 [논리 언어 모델](https://ko.wikipedia.org/wiki/%EB%85%BC%EB%A6%BC_%EB%9D%BC%EB%84%A4%EC%96%B8_%EB%AA%A8%EB%8D%B8)에서 [종료 규칙](https://ko.wikipedia.org/wiki/%EC%A2%85%EB%A3%8C_%EA%B3%84%EC%B8%B5)을 학습하는 방법에 대해 연구합니다. 논문은 [Le

에이전트 6월 19일

의문점 확립을 위한 LLM agent의 불확실성 분해

최근의 논문에서는 대규모 언어 모델(LLM) agent에 대해 고전적인 확률론적/지식론적 불확실성 프레임워크가 부족하다고 주장하고, 새로운 agent 기능인 예방적 설명요청과 공유된 정신 모델 생성을 가능케 하는 불확실성 표현을 위한 하이퍼스펙티파이 의식, 분해, 그리고 의사소통 가능한 불확실성 표현을 필요로 합니다. 실용적인 배포 제약조건 - 블랙박스 API, 상호 작용 지연 시간 지출,

AI 모델 6월 12일

피타고라스 증명기: 증명 효율성을 개선하기 위한 증명기 증명 형식 확장

최신 레인(Lean) 정리 증명 도구는 대량의 학습 및 추론 계산을 통해 성능을 달성하지만, 부족한 검증된 증명 데이터와 형식적 증명 탐색의 긴 추론 경로로 인해 양상교정 학습(Supervised Fine-tuning, SFT)과 샘플링이 비싸다. 우리는 Pythagoras-Prover라는 계산 효율적인 오픈 소스 레인 정리 증명 도구 가족을 제시한다. 이 가족은 두 가지 생성 패러다임을 포

에이전트 5월 11일

비판이 AI-assisted 이론 물리학을 개선할 때 언제? SCALAR: 구조화된 비판자-행동자 루프를 위한 의사결정적 사고

AI 지원 이론 물리학을 개선할 때 비판이 언제 작용할까? SCALAR: 구조화된 비판자-행동자 루프를 위한 의사결정적 사고 대규모 언어 모델(LLM)이 연구 수준 물리학적 사고 과제에서 점점 더 많은 가능성을 나타내고, 행동적 AI가 더 흔해지면서 실질적인 질문이 생긴다. 연구자와 에이전트 간의 상호작용이 결과에 어떤 영향을 미치는지 알아보자. 이를 위해 SCALAR(Structured Critic--Actor Loop for AI Reasoning)라는 Actor--Critic--Judge

AI 모델 5월 11일

생각하는 것이 많을수록 편향이 많다: 길이에 따른 위치 편향

Chain-of-thought (CoT) reasoning과 reasoning-tuned 모델은 얕은 가설 편향을 줄이기 위해 주로 사용된다. 하지만, 위치 편향에 대해 이것이 진실일까? 실제로 위치 편향은 모델의 길이와 상관관계가 있다.

AI 모델 5월 8일

AI 안전의 지리적 정치학: 지역 LLM 편향의 인과 분석

대규모 언어 모델(LLM)과 같은.KeyEvent의 글로벌 소프트웨어 시스템 통합에 있어, 공정한 안전 장치 보장을 위한 평등한 안전 장치가 필수적입니다. 현재 공정성 평가에서는 주로 관찰적으로 편향을 측정하고 있습니다. 그러나 이러한 방법론은 테스트 데이터 세트에 특정 인구 그룹과 자연적으로 짝지어지는 주제의 내재적 독성을 고려하지 않습니다. 이 연구에서는 확률 그래픽 모델(PGM) framework를 소개하여 LLM 안전 메커니즘을 인과적으로 감사할 수 있습니다. Pearl의 do-연산자를 적용하여, 우리는 수학적으로 특정 인구 그룹을 입력 프롬프트에 주입했을 때의 인과적 효과를 분리할 수 있습니다. 우리는 다양한 기원(미국, 유럽, UAE, 중국, 인도)을 가진 7개의 지침을 튜닝한 모델을 대상으로 대규모 실험 분석을 수행했습니다. ToxiGen과 BOLD라는 두 개의 DISTINCT 데이터 세트를 사용하여, 연구 결과는 관찰적 편향과 실험적 편향 사이의 차이를 보여주며, 표준 공정성 지표가 인구 그룹 편향을 과대 평가할 수 있음을示しています. 또한, 인과 확률은 다음과 같은 상관관계를示しています: 서양 모델은 특정 인구 그룹에 대한 인과 거부율이 더 높으며, 동양 모델은 지역 인구 그룹에 대한 특이한 민감성을 보입니다. 이러한 편향의 영향에 대해 논의하고, 인구 그룹에 대한 민감한 오버 트리거가 다운스트림 어플리케이션에서 이익을 누리는 부정적인 토론을 제한하는 데 주목합니다.

AI 모델 5월 8일

ZAYA1-8B: 새로운 사고를 위한 대규모 언어 모델

ZAYA1-8B은 사고를 위한 대규모 언어 모델로, 700만 개의 활성 파라미터와 8억 개의 총 파라미터를 가지고 있습니다. 이 모델은 Mathematica와 Coding에 대한 여러 도전적인 벤치마크에서 DeepSeek-R1-0528을 상회하거나 동등한 성능을 나타냈습니다. 또한, ZAYA1-8B은 더 큰 대규모 언어 모델(Gemini-2.5 Pro, DeepSeek-V3.2, GPT-5-High)과 비교했을 때도 경쟁력을 유지했습니다.

AI 모델 5월 6일

중국 AI 연구소 DeepSeek, 45조 원 평가액 도전

중국 AI 연구소 DeepSeek은 2025년 초에 대규모 언어 모델(LLM)을 출시하여 미국의 대형 AI 연구소인 OpenAI와 Anthropic의 모델보다 훨씬 저렴한 비용과 컴퓨팅 파워로 훈련된 모델을 출시함으로써 주목을 끌었습니다.

허깅페이스 5월 1일

대규모 언어 모델이 실제로 사용할 수 있는 1,000,000 토큰 컨텍스트: DeepSeek-V4

DeepSeek-V4는 대규모 언어 모델(LLM)에서 필요한 1,000,000 토큰 컨텍스트를 제공하는 새로운 방법입니다. 이 컨텍스트는 기존의 LLM의 한계를 극복하고 더 나은 성능을 달성하기 위해 설계되었습니다.

AI 모델 4월 27일

DeepSeek의 최신 AI calculates의 한계를 넘은 혁신, 그리고 세계 모델을 구축하기 위한 경쟁

중국 기반의 인공지능 회사인 DeepSeek은 최근 V4라는 새로운旗艦 모델의 프리뷰를 공개했다. 이 모델은 이전 모델보다 훨씬 더 긴 입력을 처리할 수 있는 능력을 가졌다. 이를 통해 DeepSeek은 대규모 언어 모델(LLM)에서 시각적 인지 모델(ViM)까지 다양한 영역에서 우수한 성능을 보이는 모델을 개발할 수 있었다.

AI 모델 4월 25일

DeepSeek의 새로운 모델이 중요한 3 가지 이유

DeepSeek의 새로운 모델이 중요한 이유 세 가지 이유가 있습니다. 지난 금요일, 중국의 AI 회사 DeepSeek은 오랜 기다려온 새로운旗艦 모델 V4의 프리뷰를 공개했습니다. 특히, 이 모델은 이전 세대보다 훨씬 긴 입력을 처리할 수 있습니다. 이를 가능하게 하는 새로운 설계는 대용량 텍스트 처리를 더 효율적으로 처리할 수 있게 해줍니다. DeepSeek의 이전 모델과 마찬가지로, V4도 오픈 소스이므로, 누구나 무료로 사용할 수 있습니다.