574개의 기사
현재 대규모 언어 모델(LLM)의 논리적 추론을 향상시키기 위한 접근 방식, 예를 들어 Chain-of-Thought와 "Wait" 지시어는 모델이 더 많이 생각하도록 유도하지만 종종 진실로 가도록 안내하지 못한다. Representation Editing(RepE)는 내재된 제어를 제공하지만 동적 추론 경로에 대한 응용은 아직 미흡하다. 이 연구에서는 추론 경로가 펼쳐질 때 진리의 기하학을
최근 대규모 언어 모델 및 시각-언어 모델의 발전으로 다중 모드 데이터에 대한 논리적 추론이 가능해졌고, 의료 적용 분야에서 의사결정 지원 및 전문의로의 분류와 같은 기회를 제공하고 있습니다. 그러나 현재 의료 AI 벤치마크는 분산되어 있습니다: 일부는 다중 턴 대화 지원을 제공하지만 이미지를 제공하지 못하고, 다른 벤치마크는 다중 모드 입력을 제공하지만 단일 턴 QA 작업에만 집중하고 있습
대규모 언어 모델(LLM)의 전반적인 변수인 모델 능력은 직접 관찰되지 않습니다. 데이터는 미래에 모델 능력을 형성하며, 평가는 모델 능력을 후속적으로 노출합니다. 그러나 샘플, 프롬프트, 디코딩, 및 점수 규칙을 하나의 노이즈 점수로 압축합니다. 실제 최적화는 이 반대 방향으로 작동합니다. 엔지니어는 실패를 먼저 관찰하고, 데이터를 수정해야 합니다. 그러나 두 가지 측면은 상호 불일치하는 어휘를 사용합니다. 벤치마크 이름과 샘플당 정확도와 데이터 출처, 도메인, 및 품질 레이블을 사용합니다. 이 추론은 일반적으로 직관이 아닌 메소드입니다. 우리는 이 단절을 닫기 위해 <em>능력 슬라이스</em>를 사용합니다. 샘플이 공통된 배경 조건, 작업 유형, 해결 연산, 및 출력 제약 조건을 공유하는 평가 샘플의 집합입니다. 이 단일 약점을 지역화할 수 있을 정도로 정밀하지만, aggregation이 가능하며, 벤치마크 이름이 너무粗하고, 단일 샘플이 너무 노이즈가 많은 경우에도 안정적입니다. 이 단위로 구성된 평가 분류, 비-인스트럭션 데이터 분류, 및 매핑 규칙은 벤치마크 수준의 실패를 대상화 가능한, 테스트 가능한 데이터 조정을 위한 닫힌 루프를 형성합니다.
arXiv:2606.28024v1 Announce Type: new Abstract: Lifted inference exploits indistinguishabilities in probabilistic graphical models by using a representative for indistinguishable objects, thereby spee
지오메트리 문제 해결은 최근 뉴로-symbolic 패러다임을 채택하고 있는 추세입니다. 이 패러다임은 신경망의 직관성을 symbolic rigor와 결합하는 방식입니다. 그러나 현재의 프레임워크는 두 가지 핵심 단계에서 심각한 병목 현상을 겪고 있습니다. 첫 번째는 autoformalization, 즉 멀티모달 번역을 static task로 다루고 downstream solver compat
대규모 언어 모델(LLM) agent의 환각을 줄이기 위한 새로운 접근 방식인 Grounded Iterative Language Planning(GILP)이 소개되었습니다. GILP은 매개변수화된 월드 모델을 사용하여 LLM agent의 환각을 줄이고, 성공률을 높입니다.
위험한 정보 환경에 대한 위협이 증가하고 있는 가짜 뉴스의 빠른 확산은 특히 GEO 중독(GEO poisoning)을 통해 adversarially 제작된 콘텐츠를 retrieval 시스템이 체계적으로 표면화할 수 있게 하면서 LLM 논리 reasoning을 오염시킵니다. 본 논문에서 우리는 Tree of Evidence (ToE), 가짜 뉴스 자동 확인 프레임워크를 제안하는데, ToE는 각
explicit 추론이 반드시 더 나은 다중 모드 감정 인식(Multimodal Emotion Recognition, MER) 정확도에 직결되지 않는다는 것을 발견했습니다. 추론 기반 대규모 언어 모델(LLM)에서, 빠른 사고를 유발하여 직접적인 대답을 트리거링하는 것이 종종 느린 사고 후 철저한 추론보다 성능이 뛰어난 경우가 많습니다. 실증 분석 결과, 빠른 사고는 더 넓고 더 자신 있는
다음과 같이 영문 뉴스를 한국어로 번역할 수 있습니다. 인지장애 학생들은 점점 더 자율학습 도구를 사용하여 읽기, 쓰기, 조직, 그리고 학습 관련 업무를 지원받고 있습니다. 그러나 이러한 도구와의 삶의 경험은 크게 조사되지 않고 있습니다. 이 논문은 DysLexLens라는 저자원 대규모 언어 모델(LLM) 프레임워크를 제안하여 인공지능(AI)과 인지장애 학생의 경험을 온라인 forum 토론을
대규모 언어 모델(LLM) agent는 순차적 의사 결정을 위한 강력한 능력을 보이지만, 장기적인 작업에서는 여전히 반응적으로 남아 있습니다. 인간은 미래의 계획을 평가하기 위해 'what-if' 논리를 사용하지만, 표준 agent는 내부 월드 모델을 통해 미래의 결과를 시뮬레이션할 수 없습니다. 따라서 우리는 미래에 대한 계획을 내담하는 방법을 제안합니다.
인터넷의 가치를 높이는 AI 모델 네트워크의 개념, 현황 및 미래에 대한 연구를 소개합니다. 대규모 언어 모델(LLM)의 실제 적용이 고비용으로 인해 지연되고 있습니다. 하지만 가벼운, 사설 및 도메인 특화된 모델을 통해 이 문제를 해결할 수 있습니다. 그러나 다양한 모델 간의 효과적인 상호작용 및 협력을 위한 접속점이 필요합니다.
Nvidia가 장악해온 AI 칩 시장에서 탈출을 꿈꾸는 빅테크 회사가 있다. 오픈AI는 브로드컴과 함께 개발한 자칼레뇨 칩을 공개하며 Nvidia 독점을 깨려는 움직임을 보이고 있다. 이 칩은 대규모 언어 모델(LLM)과 같은 AI 작업을 위한 인퍼런스 작업을 가속화한다.
Nvidia가 장악한 AI 칩 시장의 독점 시대가 끝나고 있는 것 같다. 오픈AI는 브로드컴과 함께 개발한 자체 추론 칩인 Jalapeño를 공개하였고, 구글, 애플, 스페이스X와 같은 회사들이 단일 공급자 위험에서 벗어나기 위해 자체 칩을 개발하고 있다. 이 목적은 단일 공급자에 의존하지 않고, 다양한 칩을 개발하여 사용하는 것이다.
arXiv:2606.26359v1 Announce Type: new Abstract: Ray Kurzweil described a thesis of accelerating returns, which is the most influential narratives in discussions of technological progress. Its central
제조 및 특정 영역(금융, 프로그래밍, 법, 의약품 개발 등)에 대한 자율성을 보장하는 기준이 일반 용도 및 특정 영역에서 등장하고 있으나, 에너지 분야에서는 주로 정적 지식의 회수에만 한정되어 있는 것으로 나타났다. 에너지 분야는 실시간 데이터 수집, 특정 규제 및 시장 지식, 그리고 실제 환경 제약하에서 다단계 양적 추론이 필요하므로, 이러한 격차는 중요하다. 우리는 실제 에너지 시장 분
현재 코딩 에이전트에서, 솔루션을 확인하는 일은 더 쉬운 일이라고 생각하는 전통적인 직관이 뒤집어지고 있습니다. 기초 모델이 더 강력한 사고 능력을 개발하고 엔지니어링 기술이 더 복잡해지면서, 복잡한 후보 솔루션을 생성하는 일은 더 이상 어려운 일은 아닙니다 - 그러나 그들을 신뢰할 수 있게 하는 것은 더 어려운 문제가 되었습니다. 우리가 만들 수 있는 모든 확인기는 인간 의도 대신 인간 의
자율 AI agent가 임의의 의사 결정과 결과를 초래하는 불가逆행적 행동을 시작할 수 있게 됩니다. 예를 들어 의료 처방이나 소프트웨어 배포. 이 논문은 인간 기관이 자율적인 행동자에 대한 합리적인 추론을 모니터링하기 보다는 결과가 결정되는 행동 시점에 독립적으로 증명된 증거를 요구함으로써 강력한 자율적인 행동자를 다루고 있음을 관찰합니다. 이 기관의 패턴을 AI agent 시스템의 컴퓨터
arXiv:2606.25358v1 Announce Type: new Abstract: Assessing financial literacy during gameplay without disrupting the learning experience remains a key challenge in serious games for education. We prese
arXiv:2606.25325v1 Announce Type: new Abstract: We find that current emotion-oriented Omni-MLLMs still lack reliable omni-modal perception: they (i) underutilize multimodal cues in their reasoning tra
arXiv:2606.25191v1 Announce Type: new Abstract: Multi-agent document assessment for retrieval-augmented generation is computationally expensive, driving practitioners toward smaller, deployable models
인공지능이 다양한 분야의 지식 학습을 위한 새로운 커리큘럼을 개발했습니다. 이 커리큘럼은 학습 속도와 지식 전달의 균형을 유지하며, 기존의 커리큘럼보다 성능이 향상된다는 연구 결과가 있습니다.
대규모 언어 모델(LLM) 에이전트는 제한된.context window를 넘어 extended interaction과 personalized assistance를 지원하기 위해 long-term memory를 의존한다. 현재의 memory agent는 write, revise, delete와 같은 generated operation을 통해 external memory를 actively upd
연구자들은 시각-언어 모델이 인간과 같은 방식으로 검색하는지 알아보기 위해 4가지 classic 시각 검색 패러다임을 적용했다. 결과는 시각-언어 모델이 인간의 검색 패턴과 비슷한 결과를 나타내지만, 또한 몇 가지 차이점도 발견했다.
관계 구조에 대한 논리적 추론은 신경 모델에 큰 도전을 남기고 있으며, 특히 훈련된 모델이 적용해야 하는 지식이 문제 인스턴스가 더 어려운 것보다 harder 한 경우에 그러하다. 이 문제를 해결하기 위해 우리는 대규모 언어 모델(LLM)을 사용하여 벤치마크 생성을 자동화하고, 배포 및 문제 인스턴스를 생성하는 방식으로 어려운 인스턴스를 생성하는 것을 목표로 end-to-end 학습을 수행한
