92개의 기사
이 시스템 논문에서는 OpenProver라는 오픈 소스 시스템을 제시한다. 이 시스템은 대규모 언어 모델(LLM)로 구동되는 자동 정리 증명(automatic theorem proving, ATP)과 통합된 Lean 4 공식 검증을 지원한다. OpenProver는 최근 ATP agent 시스템인 Aletheia에서 영감을 받은 Planner-Worker-Verifier 아키텍처를 통합한다.
Hugging Face CEO Clem Delangue는 오픈 소스 AI가 성장하고 있으며, 대규모 언어 모델(LLM)과 데이터 세트를 공유하고 다운로드할 수 있는 플랫폼으로 성장했습니다. Fortune 500의 약 절반까지 사용되는 오픈 소스 모델과 데이터 세트를 제공합니다.
후킹 페이스 CEO 클렘 델랑크는 오픈 소스 AI가 지금 더 중요하다고 말합니다. 후킹 페이스는 최근 몇 년 동안 AI 빌더들이 오픈 소스 모델과 데이터셋을 공유하고 다운로드할 수 있는 GitHub와 같은 플랫폼으로 성장했습니다.
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
Benchmark-backed Ollama has amassed 176,000 stars, and nearly 17,000 forks on GitHub by helping developers easily run AI on their PCs.
AI가 컴퓨팅 이미지 작업에서 물리학적 문제와 역문제를 처리할 수 있는지 여부는 불명확했다. 연구팀은 20개의 컴퓨팅 이미지 작업을 포함하는 ImagingBench 벤치마크를 개발하여 AI의 성능을 평가했다.
AgentLens라는 대규모 언어 모델(LLM) 평가 도구를 제시합니다. 일반적으로 코드 에이전트 평가 도구는 단일 비트로 평가되지만(작업이 성공했는지 여부), 실제로 이러한 에이전트를 사용하는 사람들은 에이전트가 명령을 따르는 방식, 도구를 사용하는 방식, 자신의 작업을 검증하는 방식, 오류를 복원하는 방식, 사용자와 대화를 하는 방식에 대한 모든 경로를 경험합니다. AgentLens는 이
대규모 언어 모델(LLM)과 관련된 도구를 활용한 확장된 모델은 파라메트릭 지식 이외의 기능을 확장시키지만, 불필요하게 도구를 호출하는 경향이 있다. 우리는 도구 사용 결정을 추출하고 조작할 수 있는 안정적인 내부 표현이 존재하는지 조사하고자 한다. 이는 모델의 파라메트릭 지식에 직접적인 인코딩이 없는 도구가 추론 시점에 전체적으로 존재하는 конт텍스트에 존재한다는 점을 고려할 때, 이는
오픈 소스 모델의 성공은 선구적인 연구소의 비용으로 치러지는 것이 아니라 오픈 소스 모델과 선구적인 연구소가 동일한 생명 주기의 두 가지 단계를 포착하는 것처럼 보인다.
현재 의료 계산을 위한 대규모 언어 모델(LLM)의 평가 기준은 단순화된 환경에서 대부분 기반을 두고 있습니다. 이 환경에서 각 환자 사례는 단일 계산기와 명시적으로 지정된 계산기를 요구하는 질의로 대응합니다. 그러나 실제 임상 상황에서는 종합 평가, 계산기 중첩 계산, 및 목표 계산기를 직접 지정하지 않는 부드러운 질의가 필요합니다. 이를 위해 우리는 새로운 의료 계산 벤치마크, MedCa
연구용 고성능 컴퓨팅 시설은 대규모 과학 데이터를 관리하는데 있어 중요한 역할을 수행한다. 이 데이터를 인공지능 훈련 데이터로 사용하기 위해서는 데이터를 변환하는 과정이 필요하다. 그러나 현재까지는 변환 과정을 자동화하고, 데이터가 준비되어 있는지 확인하고, 데이터의 생성 과정을 추적하며, agent-native로 배포하는 것을 모두 다룬 framework은 존재하지 않는다. REDI fra
Mistral AI는 2023년에 창립된 이후로 일부 오픈 소스 AI 모델을 제공하며, "모든 사람에게 프론티어 AI를 제공하겠다"는 야망을 가지고 있는 것으로 알려져 있습니다.
대규모 언어 모델(LLM), 해결책, 및 agent 팀들이 점점 더 많은 워크플로우 작업, 수리, 및 계획을 생성하고 있지만 생성된 작업이 문법적으로 유효하지만陈腐, 불가능, 충돌, 또는 증거를 수리한 것이 파괴하는 경우도 있다. 우리는 Agentic Transaction Processing (ATP), 작업을 생성한 것이 불신하는 제안으로 다루는 거래 모델을 소개한다. ATP는 제안이 명확
신경망-베이즈-symbolic 잔차 주의점 얕은 네트워크(NBS-RASN)는 오픈 소스 생태계에서 설명 가능한 사이버 보안 위험 평가를 위한 하이브리드 신경망 아키텍처입니다. 깊은 모델들이 정확성에 대한 희생으로 해석성을 포기하는 것과는 달리, 우리의 얕은 네트워크는 80개의 해석 가능한 뉴런과 12개의 층으로 구성되어 있습니다. 또한, gatekeeper가 5개의 epistemological axioms(정확성, 유발성, 거부 가능성, 투명성, 완전성)를 강제로 적용하기 전에 전파를 진행합니다.
High-Level Synthesis(HLS) 기술을 이용한 소프트웨어를 SILICON으로 변환하는 과정이 쉽지 않다. 그러나, 새로운 AI 기술인 AgRefactor는 이 문제를 해결하기 위해 개발되었다. AgRefactor는 대규모 언어 모델(LLM) 기반의 다기능 워크플로우로, 소프트웨어를 HLS 호환 프로그램으로 변환하는 과정을 자동화한다.
모델링 및 시뮬레이션(M&S)에서 재사용 가능한 시뮬레이션 모델을 발견하는 것은 기본적인 문제이다. 많은 모델이 존재할 때, 특정 모델링 의도와 일치하는 모델을 식별하는 것은 어렵다. 최근 인공지능(AI) 기술 중 검색 기반 접근 방식은 의미적 층에서 작업할 수 있는 유망한 방법을 제공한다. 이 논문에서는 자연어 질의를 사용하여 시뮬레이션 모델을 발견하는 데 있어 데이터 표현, 변환기 기반
OpenClaw는 이제 안드로이드와 iOS 기기에서 사용할 수 있습니다. 이 무료 오픈 소스 프로그램은 사용자 경험을 개선하고 인공지능 기술을 활용하는 새로운 방법을 제공합니다. OpenClaw는 대규모 언어 모델(LLM)과 같은 기술을 활용하여 사용자와 상호 작용하는 프로그램입니다.
인공지능이 인간이나 다른 인공지능과 협력하여 작업을 수행하는 데 사용되는 다중 모드 모델의 사용이 점점 증가하고 있습니다. 현재 기준의 벤치마크는 이러한 모델이 여러 구성 요소의 능력을 갖추고 있음을 보여주지만 협력 시 발생하는 시간 압박, 정보 비대칭성 및 불완전한 통신과 같은 조건은 일반적으로 분리된 상태에서 연구됩니다. 우리는 협력하는 두 개의 agent가 반응 시간 내에 생성된 폭탄
인공지능의 목표는 열린 환경에서 일반적이고 유연한 행동을 하는 agent를 만들기 위해서이다. '비ITTER LESSON'을 따르면서, 우리는 인공지능을 달성하기 위한 가장 효과적인 경로는 인간의 전제를 제거하고 agent가 대규모 언어 모델(LLM)보다 훨씬 더 복잡한 '빅 월드'와 상호 작용하여 자연스럽게 출현하도록 하는 것이다. 우리는 휴대용 그래픽 사용자 인터페이스(GUI)를 이러한
오픈AI는 공개 소프트웨어 커뮤니티의 보안 이슈를 해결하기 위해 새로운 기획을 발표했습니다. 이 기획은 공개 소프트웨어의 취약점을 찾고 修정하는 것을 목표로 합니다. 공개 소프트웨어의 보안 취약점을 해결하는 것은 매우 중요한 일이며, 오픈AI의 새로운 기획은 이러한 문제를 해결하기 위해 노력하는 중입니다.
반영 AI(Reflection AI)는 2026년 7월 1일부터 2029년까지 매월 1억 5천만 달러를 지불할 예정입니다. 이는 SpaceX의 Colossus 2 데이터 센터 근처 테네시 주 멤피스에 위치한 Nvidia의 최신 GB300 AI 칩과 지원되는 하드웨어에 대한 즉각적인 접근을 제공받기 위해입니다.
프론티어(_frontier) 논리 reasoning-tuned 언어 모델은 깊은 deductive 작업에서 실패하고, 내부 reasoning을 확장하여 성능을 개선하는 비용은 좋지 않다. Symbolic delegation은 논리 프로그래밍의 자동 formalization pipe line을 통해 문제를 번역하고, 해결기를 통해 추론을 수행하는 보완적인 경로를 제공한다. 그러나 현재 논리 프
오케스트라-o1은 다모드 에이전트 오케스트레이션 프레임워크로, 다중 모드 에이전트가 효율적으로 협력할 수 있도록 설계되었습니다. 이 프레임워크는 모드-aware 작업 분할, 온라인 서브 에이전트 특화, 병렬 서브 작업 실행과 같은 기능을 제공합니다.
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
