574개의 기사
예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어, 예를 들어,
인공지능(AI)의 사용과 정보성은 인간의 문제 해결에 점점 더 통합되고 있지만, 개인 기술 개발에 미치는 영향은 여전히 불분명하다. 논리적 이론 arXiv:2605.21695v1 발표 유형: 새로운 추론: 인공지능(AI)은 인간 문제 해결에 점점 더 통합되고 있지만, 개인 기술 개발에 미치는 영향은 여전히 불분명하다. 인공지능 사용과 정보성은 어떻게 AI를 사용하지 않는 일치하는 사용자와 마찬가지로 학습을 형성할 수 있는지 살펴보았습니다. 우리는 AI 지원에 대한 수요에 따라 통제된 논리적 이론
MindLoom: Frontier-Level Reasoning Data Synthesis arXiv:2605.21630v1 Announce Type: new Abstract: LLMs는 논리에서 상당한 진전을 이룬 반면, 체계적으로 국경 수준의 논리 데이터를 생산하는 것은 여전히 어렵습니다. 기존의 합성 방법은 종종 문제 어려움을 지배하는 구조적 요소에 대한 제한된 시각성을 가지고 있으며, 이는 좁은 다양성과 불안정한 기본적인 어려움 제어 과정을 초래할 수 있습니다. 이 작업에서, 우리는 논리 문
TO-Agent Selector: A Multi-Agent AI Pipeline for Preference-Guided Topology Optimization arXiv:2605.21622v1 이러한 효과적인 발표 유형 : 새로운 추론 : 메모리 최적화는 효율적인 피드백을 생성 할 수 있지만 디자이너는 종종 원하는 시각적 스타일, 제품 경험 또는 파이프터 최적화 설정을 원하는 파이프터 설정으로 수동으로 번역해야합니다. 우리는 TO-Agents, 천연 언어 설계 의도를 iterative topolo
VBFDD-Agent for Electric Vehicle Battery Frame Fault Detection and Diagnosis: Descriptive Text Modeling of Battery Digital Signals arXiv:2605.20742v1 Announce Proposal Type: New Abstract: 전기 차량의 급속한 확산으로 리튬 이온 배터리의 안전성과 신뢰성은 중요한 우려가되었습니다. 효과적인 변형 탐지은 배터리 안전한 작동을 보장하기 위해 필수적입니다. 그
고품질 인테리어링을 위한 고품질 인테리어링 arXiv:2605.20467v1 광고 유형 : 새로운 추론 : 신경 네트워크는 논리적 인테리어링에 의해 만들어진 선택을 순위로 훈련 할 수 있습니다.이 과정의 핵심 단계는 유용한 인테리어링, 즉 논리적 인테리어링의 숫자 표현을 만드는 것입니다. 이 논문은 더 나은 결과를 가져올 수있는 인테리어링을 만드는 여러 가지 접근 방식을 소개하고 평가합니다. 우리는 앵커, 긍정적 인 예제, 그리고 부정적인 예제로 구성된 예제를 필요로하는 삼중 손실을 사용하여 인테
OSCToM: RL-Guided Data Efficient Adversarial Generation for High-Order Theory of Mind arXiv:2605.20423v1 Announce Type: New Abstract: Large Language Models (LLMs)는 많은 언어 작업에서 잘 수행하지만, 그들의 마음의 이론 (ToM) 논리는 여전히 복잡한 사회 환경에서 불균형합니다. ExploreToM을 포함한 기존 벤치마크는 항상 이러한 설정을 어렵게 만드는 회귀 신념과
SOLAR: Self-Optimizing Open-Ended Autonomous Agent for Lifelong Learning and Continual Adaptation arXiv:2605.20189v1 Announce Type: new Outward Abstract: 대형 언어 모델 (LLMs)의 놀라운 성공에도 불구하고 동적, 실시간 학습 패러다임 내의 이러한 제한을 해결하기 위해, 그들은 여전히 풍부한 수동 데이터 치료를 필요로하거나 재발성하지 않고 대형 언어 모델 (LLMs)에 적응하
오픈AI는 1946년 이래로 해결되지 못한 기하학 추측을 disproved했다고 주장하고 있다. 과거에도 오픈AI의 주장이 실패한 적이 있었지만 이번에는 수학자들이 오픈AI의 주장을 뒷받침하고 있다.
자동화 도구 사용에서의 의사 결정권 확장: 신뢰 도출의 공식화 자동화 도구 사용에서 의사 결정권 확장 공식화, 즉 자동화된 에이전트가 제안하는 행동이 자율적으로 실행되거나 인간 승인 필요 여부를 결정하는 것을 인간의 위험 동의 함수를 관찰하는 프로빗 likelihood에 의한 가우시안 프로세스 포스트리어를 유지하는 정책 게이트웨이로 preference-learning 문제로 간주한다. 자동화 도구 사용에서 의사 결정권 확장 공식화는 구조적으로 Preferential Bayesian Optim
워크플로우 학습을 위한 인터페이스 제약 하의 확실히 수렴하는 방법 학습 워크플로우 학습을 위한 인터페이스 제약 하에서, 각 에이전트는 공유된 artifact와 자신의 개인 상태에 대한 지역 함수만 관찰하고, 중앙 집중식 학습자가 공동 경로에 접근하지 않는 다중 에이전트 대규모 언어 모델(LLM) 파이프라인의 운영 영역을 연구합니다. 이 영역을 인터페이스 제약 하의 반semi-Markov 결정 과정(IC-SMDP)으로 구체화하고, 에이전트 간의 교차 조정은 매 이관마다 정확히 하나의 스칼라로 디자
POLAR-Bench: 프라이버시-유틸리티 트레이드오프를 위한 대규모 언어 모델(LLM) 에이전트의 진단 벤치마크 대규모 언어 모델(LLM) 에이전트는 점점 더 사용자의 개인 정보에 접근하고 사용자의 대리인으로서 세 번째 당사자 시스템과 상호 작용할 때 사용자의 의도에 따라 행동한다. 사용자는 공유할 수 있는 것과 공유하지 말아야 하는 것을 정의하고 에이전트는 세 번째 당사자 시스템이 적대적으로 행동하는 경우에도 그 의도를 강력하게 따르도록 해야 한다. POLAR-Bench(정책에 의한 적대
대규모 언어 모델(Large Language Model, LLM) 기반의 자율 에이전트가 복잡한 추론과 실행을 가능하게 한 결과, 에이전트 간 협력 네트워크가 등장하고 있다. 이러한 네트워크는 단일 에이전트가 전체 작업을 수행하는 것보다 작업 성능이 좋아 보이지만, 현재 에이전트 정렬 기술로는 존재하는 시스템 취약성, 즉 적대적 합성, 의미 불일치, 연쇄적 운영 실패를 해결할 수 없다. 이 비전 논문에서는 에이전트 간 협력 네트워크의 신뢰성을 보장하기 위해 기존 프로토콜에 retrofitting하는 것만으로는 충분하지 않으며, 네트워크 협력 프레임워크의 시작부터 신뢰성을 설계해야 한다고 주장한다.
문서 이해를 위한 새로운 모델을 연구하는 학술 연구는 모델 정의와 프로덕션 규모에서 모델을 실행하는 격차를 메우기 위해 마이크로서비스 아키텍처를 제시합니다. 이 아키텍처는 분류, OCR, 대규모 언어 모델(structured field extraction) 파이프라인을 포함합니다. 이 아키텍처를 프로덕션에서 운영하면서 우리의 경험을 공유합니다.
대규모 언어 모델(LLM)의 성능에 영향을 미치는 데이터의 본질을 이해하는 것은 여전히 개방된 문제로, 현재의 접근 방식은 대규모 공개 데이터 세트에 대한 실험적 연구에 의존하고 있습니다. 이에 본 논문에서는 데이터 프로브를 개발하여 LLM의 학습, 튜닝, 정렬, 인컨텍스트 학습 등 다양한 단계에서 데이터의 특성에 미치는 영향을 시스템적으로 연구하고자 uzun합니다.
대규모 언어 모델의 선형 대수 산술 오류를 평가하기 위한 새로운 벤치마크를 소개합니다. 이 벤치마크는 3x3, 4x4, 5x5 행렬에 대한 10개의 대규모 언어 모델을 평가하고, 9개의 과제 유형과 660개의 SymPy-인증 문제를 포함합니다. 벤치마크는 6,600개의 모델 출력을 평가하고, 1,156개의 오류를 분류하여 LLM의 산술 오류가 무작위적이지 않고 구조적으로 제약된다는 것을 밝혀냈습니다.
자연 속 생물 다양성의 급격한 감소는 효과적인 모니터링의 긴급성을 강조한다. 그러나 수동 조사를 위한 수작업 조사는 자원에 대한 확장성 있는 대안을 제공한다. обыч AI는 환경의 변동성으로 인해 자연 속에서 성능을 발휘하는 데 어려움을 겪는다. 현재의 방법은 모델을 다시 훈련하기 위해 필드 데이터를 지속적으로 업로드하는 클라우드 자원에 의존한다. 그러나 이러한 접근 방식은 제한된 전력과 네트워크 연결로 인해 원격 배포에 적합하지 않다. 이러한 제약을 해결하기 위해 이 연구에서는 모델 적응에서 지식 적응으로 전환하는 것을 제안한다. 우리는 시각적 인지와 사유를 분리하는 아키텍처를 소개한다. 시각 인코더와 동적 지식베이스를 결합하여 시각 인코더와 동적 지식베이스를 결합한다. 우리는 암묵적으로 모델 매개변수에 전문 지식을 인코딩하는 대신 명시적인 지식베이스를 사용한다. 또한 지식의 지속성을 지원하여 구조화된 형식으로 전문가 인사이트를 보존한다. 생물학자와 원주민 공동체와의 교차 학문적 협력으로 이 작업은 윤리적인 AI 공동 개발을 진전시키고, 책임 있는 생태계 관리를 위한 문화적으로 교육된 생태계 관리를 지원한다.
연구진은 Chain-of-Thought(CoT) 논리를 통해 Universal Multimodal Embedding(UME)의 성능을 크게 향상시켰다. 하지만 CoT를 생성하는 데 필요한 컴퓨팅 자원은 종종 부담이 된다. 연구진은 CoT를 생성하는 대신 latent think 토큰을 사용하여 CoT를 생성하는 것을 방지한다. 이 연구에서는 think 토큰과 임베딩 토큰을 추출하는 방법과 think 토큰과 임베딩 토큰을 학습하는 방법에 대한 두 가지 주요 아키텍처 디자인을 조사한다.
물리학 기반 시뮬레이션 대신 머신 러닝을 사용하는 재료 과학의 주요 과제 중 하나는 목표 특성과 관련된 후보 재료를 빠르게 식별하는 것입니다. 머신 러닝은 재료의 안정성과 다른 목표 특성에 따라 재료를 필터링하는 더 빠르고 저렴한 방법을 제공하여 비용이 많이 드는 합성 단계에 도달하는 후보 재료의 수를 줄입니다. 최근 대규모 언어 모델(LLM)들이 이 역할에 적용되었습니다. 그러나 이러한 모델들은 훈련 단계와 추론 단계 모두에서 매개 변수가 많고 계산 비용이 높아 대량 처리 작업에 적합하지 않습니
대리인 모델링을 사용하는 대규모 언어 모델(LLM) 협상자들이 실제로 전략적인 협상을 수행할 수 있는지 연구한 결과, 현재의 LLM 협상자들이 대리인 모델링을 정확하게 수행하지만, 이를 전략적인 협상으로 변환하는 데 실패한다는 것이 밝혀졌다.
지식 그래프는 의미 데이터 통합에 중요합니다. 그러나 실제 세계 데이터를 모델링하는 것은 종종 본질적으로 불확실합니다. 지식 그래프 내에서 불확실성은 세 가지 DISTINCT 수준에서 나타납니다: 불확실한 속성 값, 확률적 triple 존재, 그리고 불완전한 스키마 지식. 그러나 현재 Semantic Web 표준은 이러한 불확실성에 대한 reasoning을 native하게 지원하지 않으며, 나"이브한 확장은 계산적으로 불가항력적입니다. 이 논문에서는 EACH 수준을 통해 tailored 기술을 개발하는 모듈러 프레임워크를 개발하는 것을 목표로 합니다: (1) 연속 속성에 대한 확률적 리터럴 정의 및 해당하는 쿼리 대수; (2) 불확실한 triple에 대한 SPARQL provenance를 트랙터블한 확률적 회로로 변환하는 컴파일레이션 기반 프레임워크; 그리고 (3) 통계적 스키마 reasoning을 위한 toplogy-aware 지오메트릭 임베딩. 중추 가설은 의미적 정밀성과 계산적 트랙터블성을 조화시키는 tailored reasoning 기법, 즉 대수적, 논리적, 그리고 지오메트릭 접근이 reconcile할 수 있다는 것입니다.
Skim은 웹 에이전트의 예측 가능한 구조를 이용하여 웹 사이트의 예측 가능한 패턴을 이용한 유추 실행 프레임워크입니다. Skim은 웹 에이전트의 비용이 과도한 컴포넌트의 적용에 의해 발생하는 것임을 발견하였으며, 사이트별로 한 번만 프로파일링하여 이러한 패턴을 캡처한 후 런타임에 각 쿼리를 템플릿과 매치하여 목적 URL을 합성하고 결과를 추출하는 방식으로 성능을 향상시킵니다.
대규모 언어 모델(LLM)은 최근에 잘 알려진 계획 도메인에서 고전 계획자와 거의 동등한 수준으로 성능을 보여주었지만, 이 compétence은 세계 지식을 이용하는 것에instead 의แท로 상징적인 사유에 기초한 것이 아니다. 목표 인식은 LLM의 강점에 더 적합한 추론 과제이다. LLM의 세계 지식과 일치하는 것을 평가하는 것에만 의존한다. 이 연구는 LLM을 목표 인식자로 사용하는 처음으로 체계적인 zero-shot 평가를 제공한다. 본 연구의 결과는 LLM의 목표 인식 능력이 불균일한 것으로 나타났다. 일부 모델은 증거에 따라 성능을 개선하고 전체 관찰 시 랜드마크 기반 정확도에 접근하는 반면, 다른 모델은 증거가 쌓일수록 세계 지식의 전제에 고정되어 있다. 모델의 추론 경로를 통해 유의미한 차이를 발견한 결과, 이 차이는 증거 통합 차이로 인한 것이 아니라 도메인 친숙성 차이로 인한 것이 아니다. 이러한 결과는 LLM의 기본 계획 지식에 대한 일원적인 벤치마크로 목표 인식의 중요성을 강조한다.
대규모 언어 모델(LLM) 기반 코드 에이전트는 파일을 읽는 데 대부분의 토큰 예산을 사용하지만, 대부분의 가져온 코드는 해당 작업에 관련이 없다. 기존의 학습된 지우기기는 이 컨텍스트를 단일 목표 시퀀스 레이블러로 압축한다.
