574개의 기사
대규모 언어 모델(LLM)은 수학적 추론에서 상당한 진전을 이루었지만 기존 벤치마크는 일반적으로 완전한 답변, 단계별 해결책, 또는 완전한 증명과 같은 잘 정의된 문제를 평가한다. 그러나 그들은 협력적 개방형 문제 해결을 포착하지 못한다. 참여자들은 부분적인 논증을 제안하고 이전 단계의 오류나 빈칸을 식별하고 결함 있는 추론을 修復하고 점진적으로 증명에 incremental contribut
스도쿠(Sudoku)는 엄격한 이산 제약 하에서 전역 구조적 사고가 필요한 대표적인 제약 만족 문제입니다. 현재 스도쿠를 해결하는 연구는 주로 두 가지 주요 접근 방식에 집중되어 왔는데, 그것은 전통적인 근거 추론과 깊은 학습 기반 해결사입니다. 그러나 두 가지 상보적인 제약이 존재하는데, 학습 기반 해결사는 강력한 정확성 보장을 하지 못하고 완전한 Symbolic 해결사는 여전히 긴 꼬리
arXiv:2606.05404v1 Announce Type: new Abstract: Time series are often embedded in rich contexts that are essential for holistic modeling. Moreover, real-world practitioners often require end-to-end wo
multi-table 질문에 대한 답변을 위한 모델은 관련된 증거를 검색하고, 스키마를 연결하고, 관계형 테이블에 대한 합성적 추론을 수행해야 한다. 현재 multi-table Q&A 자원은 일반적으로 질문과 최종 답변을 제공하지만, 답변의 유래 설명을 제공하는 합리적 지시가 부족하다. 이 boşNESS를 채우기 위해 우리는 MMQA를 위한 합성 대조적 추론-트레이스 데이터 세트를 구성하기
대규모 시계열 모델(TSFM, Time Series Foundation Models)의 경우, 구조적으로 이상한 패치가 과도한 주의를 받고, zero-shot 예측 품질이 침체 상태에 빠지게 된다. 이에 따라 모델의 정확성을 inference 시에 개선하기 위해, 모델의 가중치를 수정하는 대신 입력 컨텍스트를 최적화하는 방법을 제안한다. Gate, Router, Critic로 구성된 가벼운
대규모 언어 모델을 기반으로 하는 다중 agent 시스템(MAS)은 일반적으로 역할, pipe라인, 그리고 턴 스케줄을 중심으로 구성되며, agent 들이 서로 주고받는 내용은 자유 형태의 자연 언어로 남겨진다. 그러나 이러한 자유로운 의사소통 방식은 token 사용량을 급격하게 증가시키고, 공유된 컨텍스트 윈도우를 소모하며, 궁극적으로 시스템 성능과 추론 비용에 영향을 미친다. 우리는 두
현대적인 논리 모델은 테스트 시간 동안의 계산량을 다양한 양으로 할당할 수 있습니다. 예를 들어, 생각 토큰, 모델 호출, 또는 컴퓨트 비용을 다른 작업에 할당할 수 있습니다. 기존의 방법들은 이러한 할당을 예측한 난이도에 따라 수행하며, 더 높은 정확도를 얻기 위해 더 많은 컴퓨트를 할당합니다. 이 방법은 모든 실패가 동일한 비용을 지불하는 것을 암시합니다. 그러나 이러한 가정은 실제로 배
arXiv:2606.04321v1 발표 유형: 새로운 요약: 인공지능(AI)의 구현이 대규모 언어 모델(LLM)으로 제한되거나, 광범위한 자율성이 책임의 지연을 초래하는 경우가 있다. 둘 다 책임있는 위임을 위한 통치적 인프라를 제공하지 않는다. 우리는 디지털 아르바이트생(Digital Apprentice)이라는 프레임워크를 제시한다. 이 프레임워크는 가용성의 확장이 보장된 안전한 AI 자율
AI 에이전트의 중단 시점 결정은 안전성과 신뢰성을 높이기 위해 중요합니다. 연구 결과, 감정 기반 트리거와 LLM 판정자는 에이전트의 중단 시점을 결정하는데 실패합니다.
수 백 년 동안 인간 수학자들은 수학적 논리를 뒷받침하는 증명을 작성해왔습니다. 자동으로 증명의 유효성을 확인하는 능력은 오래 전부터 큰 과제였습니다. 인공지능 시스템의 코드 생성 능력과 점점 더 높은 수준의 수학적 추론력의 향상은 사람들이 증명을 공식화하고, 따라서 증명하기 위한 능력을 변화시키는 것을 약속합니다. 많은 연구가 현재의 경계를 벗어나기 위한 벤치마크에 집중하고 있지만, 우리는
RTL 코드 생성을 위한 디지털 하드웨어 디자인의 자동 생성은 Verilog과 VHDL에서 긴 시각적 사고, 다단계 의존성 및 엄격한 정확성 제약으로 인해 여전히 어려운 문제이다. 우리는 StepPRM-RTL 이라는 새로운 프레임워크를 제시한다. 이 프레임워크는 stepwise trajectory modeling, process-reward modeling (PRM), 및 retrieval-
arXiv:2606.04244v1 - 새로운 발표 요약: 다중 모드 대규모 언어 모델은 복잡한 추론 능력을 보유하고 있지만, 그들은 일반적으로 도구를 통해 문제를 외부화하고 도구의 출력을 바탕으로 추론할 때 성능이 저하되는 경향이 있다. 특히, 시각적 도움을 의존할 때 그렇다. 이 괴리는 실제 엔지니어링 및 과학적 워크플로가 분석, 유효성 검사 및 의사 결정에 시각화 도구를 의존하기 때문이다
대규모 언어 모델(LLM)을 이용한 협력적인 콘텐츠 관리에서 의견 불일치를 다루는 연구를 통해, 의견 불일치는 에이전트 오류보다 진정한 규범적 불확실성을 반영할 수 있는 것으로 밝혀졌다. 의견 불일치에 대한 지식 표현 layer를 제안하고, 에이전트 의사결정과 합의/불일치를 반영한 합의 상태를 정의하여, 의견 불일치에 대한 전략적 경로를 제공하는 방안을 제시한다.
대규모 언어 모델(LLM)들이 점점 더 많이 사용되는 가운데, 다른 인공지능(AI) agent들과 함께 작동할 수 있도록 개발해야 합니다. 이러한 환경에서 효과적인 협력을 위해서는 agent들이 서로에게 정보를 공유하고, 불확실성을 감내하며, 의사결정을 내릴 수 있어야 합니다. 이를 위해, StarCraft Multi-Agent Challenge를 확장하여 자연어 처리(Natural Language Processing, NLP) 환경으로 변환한 SMAC-Talk을 개발했습니다. 이 환경에서는 agent들이 서로에게 정보를 공유하고, 의사결정을 내릴 수 있는 자연어 처리 채널을 제공합니다.
대규모 언어 모델(LLM)은 연구 방법을 새롭게 바꾸면서 연구자들의 지식 책임성을 무시하고 있다. PEEL은 이러한 문제를 해결하기 위한 새로운 프레임워크로, Peircean 신호학과 추론을 바탕으로 AI를 이용한 연구의 책임성을 확보한다.
GPT-Roselind은 생물학적 추론, 약리 화학적 전문 지식, 유전체학 분석, 실험 절차 능력을 향상시켜 생명 과학 연구를 진보시켰다.
마이크로소프트는 최근 Build 콘퍼런스에서 새로운 또는 확장된 AI 전략을 발표했다. 이 발표는 마이크로소프트가 AI 분야에서 가장 큰 플레이어 중 하나가 될 수 있음을 보여주었다. 마이크로소프트는 오픈AI와의 파트너십을 종료하고, 자체적인 합리적 모델을 개발하기 시작했다.
구강 질환은 전 세계 3.5억 명에게 영향을 미치지만 치과 분야에서 대규모 인공지능 모델의 상대적 임상 가능성은 아직 잘 이해되지 않았다. 세 가지 모델 카테고리가 나타났는데, 언어 생성 모델, 판별적 비전 기초 모델, 치과 특화 기초 모델로, 이들 간의 관계와 함께한 한계를 조사하는 통합적인 리뷰는 존재하지 않는다. PubMed, Google Scholar, Scopus, arXiv를 포함
대규모 언어 모델(LLM)의 발전으로 인해 복잡한 추론과 도구 사용이 가능한 인공지능이 가능해졌지만, 퍼지 컴퓨팅 환경에서 이러한 자율성을 배포하는 것은 임베디드 마이크로컨트롤러의 엄격한 메모리와 에너지 제약으로 인해 어려움을 겪고 있습니다. 기존의 프레임워크는 일반적으로 서버급 자원이나 지속적인 연결성을 가정하기 때문에, 심층 임베디드 시스템을 위한_gap이 남아 있습니다. 이 논문은 결정
대규모 추론 모델(LLM)은 더 많은 테스트 시간 컴퓨팅을 통해 명시적인 중간 추론 트레이스 생성으로 성능을 향상시키나, 더 dài한 추론이 항상 유리한지 여부는 여전히 충분히 검토되지 않은 상태이다. 최근 연구 결과에 따르면 추가적인 추론이 모델이 과도하게 생각하는 것을 유도할 수 있음을 보여주지만, 우리는 다음과 같은 질문을 던진다: "모델이 올바른 답을 찾으면, 더 많은 추론이 솔루션을
전자 의료 기록(EHRs)에서 환자 경로를 모델링하는 데는 장기적이고 다중 모드의 시차가 심하고 노이즈가 많은 시퀀스를 처리하는 것이 필요하다. 기존의 대규모 언어 모델(LLM) 기반의 다중-agent 시스템은 컨텍스트 길이를 처리하지만 환자를 고립시켜 클리닉이 누적된 경험을 활용하는 것처럼 동일한 이전 사례에서 정보를 통합하는 것을 실패했다. Traj-Evolve는 두 가지 상호 보완적인
대규모 언어 모델(LLM)은 의료 결정 지원을 위한 강력한 자연어 논리 능력을 보이지만, 구조화된 장기 전자 의료 기록(EHR)의 효과적인 모델링에 어려움을 겪습니다. 반면, EHR 기반 모델은 예측 가능한 환자 표현을 학습할 수 있지만, 해석 가능한 언어 기반 논리를 제공하지 못합니다. 이 격차를 해결하기 위해, 우리는 구조화된 EHR 표현과 프리트레인된 LLM의 의미 공간을 연결하는 작업
물리학적 연구 결과입니다. 물의 흐름을 예측하는 연구에서, LSTM(LSTM: Long Short-Term Memory)은 트랜스포머 모델보다 성능이 좋았습니다. 물 흐름의 정보가 충분하지 않은 상황에서 LSTM은 물의 흐름을 예측하는 업스트림(streamflow inference)에서 트랜스포머 모델보다 더 좋은 성능을 보여주었습니다. 트랜스포머 모델은 업스트림 정보만 사용했을 때, LST
AURA-Mem은 VRAM에서 데이터 센터와 달리 Embodied Agent가 실행되는 한계를 고려하여 개발된 새로운 메모리 기술입니다. AURA-Mem은 이전 관찰에서 다음 행동이 변경되지 않는 경우에만 메모리에 쓰기를 수행하는 learned gate를 사용하여 메모리 쓰기를 최소화합니다.
