574개의 기사
대규모 언어 모델(LLM)의 구조화된 추론을 향상시키기 위해 그래프를 사용하는 방법에 대해 연구한 논문이 있습니다. 일반적으로 그래프는 모델이 테스트 시에 제공받는 외부 지식의 형태로 사용되었습니다. 이 논문에서는 그래프가 대규모 언어 모델(LLM)에게 제공하는 가치가 단순히 정보를 제공하는 것에만 있지 않고, 추론을 조직하는 데에도 있음을 주장합니다. 사람들은 그래프 구조를 이용하여 생각을
마이크로소프트는 Build 2026에서 새로운 내부 AI 모델들을 발표했는데 그 중 가장 주목할만한 모델이 MAI-Thinking-1이다. 마이크로소프트는 지난해 처음 내부 모델들을 공개한 이후로 OpenAI의 모델들을 사용해왔는데, 두 회사는 최근에 협약을 재조정하여 관계를 풀어냈다고 한다.
arXiv:2606.00240v1 Announce Type: new Abstract: Effective real-world assistance requires AI agents with robust Theory of Mind (ToM): inferring human mental states from their behavior. Despite recent a
arXiv:2606.00232v1 Announce Type: new Abstract: We study fact-level repair for multimodal generation, where a fluent output may contain specific facts that are not supported by the input. Existing inf
RLVR(Reward가 검증 가능한 학습, 특히 그룹 상대적 정책 최적화(Group Relative Policy Optimization, GRPO))는 대규모 언어 모델의 추론을 향상시키기 위해 광범위하게 사용되어 왔습니다. 그러나 결과 단계에 대한 보상은 희박한 감독만 제공하고, 특정 프롬프트에 대해 샘플링된 모든 경로가 모두 올바르거나 잘못된 경우 그룹 상대적 이점은 사라집니다. OPSD
논문 제목: 2606.00103v1 해석: 다단계 상호 작용 프레임워크를 제시하며, 이 프레임워크는 추론을 능동적인 증거 취득과 믿음 갱신으로 다루는 것을 목적으로 한다. 대규모 언어 모델(LLMs)은 작업 규칙만을 받으며, 숨겨진 환경에 타겟된 질문을 내보내고, 시간에 따른 부분 관찰을 통합하며, 최종 답을 제출할 때까지 결정해야 한다. 표준 성공률과 상호 작용 효율성 외에도, 제어된 문맥
수세기 동안 확률론은 게임의 계산에서 시작되어 불확실성에 대한 합리적인 판단의 중심 프레임워크로 성장했습니다. 이 기사는 그 진화가 단지 수학적 역사로만 보는 것이 아니라 합리성의 변천으로 해석하는 것입니다. 파스칼과 페르마트의 조합적 균형에서 베이즈와 라플라스의 유추 논리를, 푸아송의 사건 통계에서 콜모고로프의 조건부 정식화까지, 확률론은 점점 더 불확실성, 시간, 그리고 일관성을 과학적
클래식 연속 공간 신경망은 모듈러 대수학 및 비가환 대수학과 같은 정확한 수학적 공리즘에 대한 정확한 매개변수 조절을 달성하기 위해 큰 매개변수 조절을 사용하여 이러한 이산 논리 규칙을 근사화할 때, 대규모 매개변수 조절을 통해 이들 공리즘에 대한 정확한 매개변수 조절을 달성하기 위해 이들 공리즘을 근사화하는 경우, 일반화 현상이 지연되면 발생하는 확률적 Instability를 포함하여, 이
arXiv:2606.00008v1 Announce Type: new 분자 최적화는 충돌하는 목표를 고려하여 대규모 화학 공간을 탐색해야 하는데, 초기 설계 결정은 하류 결과에 강한 영향을 미치게 된다. 현재의 방법은 보통 단일 정책이나 고정 스칼라화만 사용하는데, 이는 다양한 대가의 비교와 다수의 유망한 설계 경로를 탐색할 수 있는 능력을 제한한다. 우리는 ATOM을 제안하는데, 이는 분자
arXiv:2606.00005v1 발표 형식: 새로운 요약: 우리는 Byzantine Fault Tolerance-derived 구조를 통해 구성된 다중 모델 인공지능 논의를 위한 Consilium Protocol을 제시한다. 이 프로토콜은 모델 간의 불일치가 오류가 아닌 지식 신호로 처리되도록 한다. 프로토콜은 언어 모델에 인공 지능형 인격을 assigns -- 모델이 무엇인지와 모델이 어
Google이 AI 기술을 이용한 새로운 검색 시스템을 발표했다. 이 새로운 시스템은 검색 결과를 개인별로 맞춤화 시키는 것을 목표로 하고 있다. 이 시스템은 사용자가 특정 키워드를 검색할 때, 그 키워드와 관련된 사용자의 검색 기록을 분석한 후, 그에 맞춰서 검색 결과를 제공한다. 이 기술은 사용자의 검색 기록을 분석하여 그에 맞춰서 검색 결과를 제공하므로, 사용자마다 다른 결과를 제공할
arXiv:2605.30832v1 Announce Type: new Abstract: Recent advances in Large Reasoning Models have significantly improved chain-of-thought (CoT) capabilities via reinforcement learning (RL). However, gene
대규모 언어 모델(LLM) 에이전트가 실제-world 애플리케이션에서 웹 검색과 깊은 연구와 같은 장기 목표를 수행하는 경우, 쌓인 컨텍스트는 장기 컨텍스트 손상과 사고를 유발할 수 있다. 이전 연구에서는 에이전트의 컨텍스트 관리를 위해 에이전트 내의 컨텍스트 제어나 고정 전략(요약 등)을 사용하였지만, 에이전트를 다시 학습해야 하므로 닫힌 소스 에이전트에 불편함을 주고, 다른 에이전트에 다
지식 그래프(KG) 추론에서 논리 규칙은 해석 가능성과 관계 패턴을 모델링할 수 있는 능력으로 지식 그래프의 기본적인 구성 요소입니다. 그러나 기존 규칙 탐색 방법은 단순한 chain-like 규칙에만 집중하고 그래프와 같은 구조의 richer 관계 정보를 무시합니다. 특히, 그래프와 같은 규칙은 탐색 공간의 combinatorial 폭발로 인해 계산적인 성능이 저하됩니다. 이 한계는 또한
대인간 논리 시스템의 신뢰성을 높이는 데 있어, 도구 호출 환경 간 일반화가 큰 과제로 남아 있다. 개별 벤치마크에서 강력한 결과를 달성하는 대규모 언어 모델(LLM)도, 논리 전략의 조합, 중간 상태의 보존, 도메인 간 도구의 조정 등에 대한 능력은 여전히 미흡하다. 우리는 MAVEN(Modular Agentic Verification and Execution Network)이라고 하는 가
의료 결정-making( Clinical Decision-making, CDM)은 실제-world 의료 워크플로우에서 중요한 역할을 하며, 의사들은 불완전한 증거를 기반으로 진단을 추론하고 치료를 선택하거나 미래의 건강 결과를 예측한다. 대규모 언어 모델(LLM)은 강력한 언어 능력, 광범위한 생의학 지식, 효율성으로 인해 이러한 결정에 지원하기 위해 점점 더 많이 사용되고 있지만, LLM이
Chipmaker Groq is looking to raise $650 million in internal funding as it pivots from hardware to focus more on AI inference, the process of refining the way AI models respond to prompted requests, pe
AI 칩 스타트업 Groq가 내부 자금으로 650억달러를 모금 중인 것으로 알려졌다. Groq는 하드웨어를 넘어 AI 인피어런스에 집중하고 있다. AI 인피어런스는 AI 모델이 요청에 대한 반응을 보다 세련된 방식으로 수행하는 프로세스이다.
대규모 언어 모델(LLM)의 성능은 입력 문장의 스타일과 ton에 따라 달라질 수 있다. 본 연구에서는 objective 여러 선택지 문제에 대한 LLM 정확도의 차이를 tonal 변형된 입력 문장에 의한 영향을 조사한다. 본 연구에서는 두 개의 데이터 세트를 사용한다: 50개의 문제를 포함한 다섯 가지 tonal 변형의 데이터 세트와 570개의 문제를 포함한 57개의 주제를 가진 세븐 가지
BEAMS( Benchmarking and Evaluating AI for Modeling and Simulation )은 AI 도구를 위한 새로운 기준점을 제시하며, 인간 중심의 시뮬레이션 모델링을 위한 책임과 윤리를 강조합니다. 이)initiative는 AI 도구를 평가하고 개선하기 위해 공동으로 협력하고 있습니다.
유한 요소 분석(FEA)은 현대 공학 설계의 기초를 담당하지만, 워크플로우는 복잡하고 전문 지식에 의존한다. 최근 연구에서는 대규모 언어 모델(LLM)을 유한 요소 분석에 통합했지만, 기존 접근법은 다중 모드 입력을 처리하고 복잡한 작업을 수행하는 데 제한이 있다. 이러한 제한을 해결하기 위해, 우리는 VFEAgent라는 엔드 투 엔드 다중 Agent 시스템을 제안한다. 이 시스템은 입력 이미지를 포함한 다중 모드 입력과 문제 설명을 통해 유한 요소 모델링과 시뮬레이션을 자동화한다. 시스템의 주요 구성 요소는 다중 모드 비전-언어 다중 Agent PIPELINE과 확인-first 코드 합성 프레임워크이다. 시스템은 다양한 공학 역학 시나리오에서 평가되었으며, 결과는 VFEAgent가 높은 성공률로 완전하고 물리적으로 유효한 시뮬레이션을 생성하며, LLM 기반 기본 메서드보다 신뢰성과 정확성을 뛰어난 성능을 보여준다. 이러한 결과는 엔드 투 엔드 유한 요소 분석 워크플로우의 자동화를 가능하게 하며, 엔지니어들이 번거로운 수동 분석에서 해방되도록 하는 프레임워크의 잠재력을 강조한다.
arXiv:2605.27628v1 Announce Type: new Abstract: As autonomous and agentic AI systems scale in robotic and human-machine environments, managing hallucination and persistent but unjustified action remai
arXiv:2605.27622v1 Announce Type: new Abstract: To safely interact with humans, AI agents must both know our norms and consider them during planning. However, such norm-guided planning has been less e
arXiv:2605.27605v1 Announce Type: new Abstract: We present Laguna M.1 and Laguna XS.2, two Mixture-of-Experts foundation models built for long-horizon, agentic coding: M.1 has $225.8$B total parameter
