574개의 기사
arXiv:2608.07476v1 발표 형식: 새로운 요약: plural 구조 이론에서 표준 해석을 생성하는 공식적인 framework를 개발한다. 구조 이론은 서명,_axioms, 그리고 inference 정책으로 구성된 triple T = ({\Sigma}, A, I)로 정의되며, 이 이론의 허용된 해석 가족은 구조적 결론에 대한 전역 일관성 assignments를 모두 포함한다. 표준화
이번에 The Download이라는 우리의 주간 뉴스레터는 기술 분야의 일상적인 뉴스를 제공합니다. 과학을 위한 AI는 단순히 데이터만 가지고 있으면 되는 것이 아니라, 논리적인 사고가 필요하다. 구글의 전 CEO인 에릭 슐츠(Eric Schmidt)와 슐츠 사이언스(Schmidt Sciences)의 공동 창립자, 그리고 사이언스에 대한 AI를 맡고 있는 스하스 마헤쉬(Suhas Mahesh
과학은 몇십 년마다 끝났다고 선언하는 사람들로 가득하다. 과학의 모든 사실이 이미 발견되었다고 말한 물리학자 알버트 미헬슨이나 20세기末에 이론 물리학이 끝났다고 예상한 스티븐 호킹과 같은 과학자들은 과거에 이러한 선언을 하였다. 그러나 인공 지능의 폭발적인 등장으로...
대규모 언어 모델(LLM)의 창의적 능력은 디자인, 커뮤니케이션, 교육, 인간-AI 협업 등 다양한 영역에서 중요하지만, 평가하기 어려운 문제입니다. 새로운 평가 프레임워크인 C4를 통해 교차 개념 이해의 새로운 가능성을 열어보았습니다.
대규모 멀티모달 언어 모델(Multimodal Large Language Model, MLLM)의 효율성을 향상시키기 위해 시각 토큰 압축을 사용하는 방법을 제안합니다. 이 방법은 중간 언어 모델 층의 주의 집중을 예측하여 시각 토큰의 중요도를 평가합니다. 이 방법은 existing inference acceleration techniques와 호환되며, 10개의 benchmark에서 97.5%의 unpruned model 성능을 유지하며, 5.56%의 시각 토큰만 사용하여 3.09배의 end-to-end speedup을 달성합니다.
그래프 분석에서 동질한 집단을 식별하는 데 목표를 둔 커뮤니티 탐지는 기본적인 작업입니다. 기존의 목표 지향적인 방법은 복잡한 그래프 구조에 직면하여 어려움을 겪고 있지만, 깊은 학습 기반 접근법은 해석 가능성과 함께 레이블이 필요하며 학습이 필요합니다. 강력한 논리적 추론 능력과 세계 지식이 있는 대규모 언어 모델(LLM)은 해석 가능한 레이블이 없는 커뮤니티 탐지에 hứ부로 보입니다. 이
Baseten은 Hugging Face의 Inference Providers를 통해 빠른 inference 성능을 제공합니다. 이를 통해 개발자는 대규모 언어 모델(LLM)과 같은 복잡한 모델을 쉽게 배포하고 관리할 수 있습니다.
대규모 언어 모델(LLM) 검열 장치가 장기적인 웹 상호작용을 통해 어려운 질문에 대해 대응하는 것은 복잡하고 취약한 과정이지만, 작은 추론 오류가 장기적인 노이즈 트레이저지로 퍼져서 유창하지만 오류 있는 대답으로 이어질 수 있다. 이러한 실패를 진단하는 것은 어렵고, 인간이 수집할 수 있는 매우 긴 실행 추적을 수동으로 검토해야 하는데, 이는 인간의 능력 범위 이상이다. 그러므로 우리는 S
Event 중심의 지능적인 분석 시스템은 위험 경보, 의사 결정 지원 및 논리 이해를 위해 명시적 원인-효과 이벤트 지식에 의존한다. 그러나 기존의 인스턴스 수준 원인 pairs는 저빈도 장골 및 미래에 발생할 수 있는 이벤트 combinations에서 심각한 일반화 결함을 겪고 있다. 이러한 한계를 해결하기 위해 본 연구에서는 Abstract Event Causal Rule (AECR)이라
학습 모델은 급성 이식성 뇌졸중의 90일 결과 예측에서 강력한 예측 정확성을 달성했지만, 모델의 설명이 의사들의 논리에 맞지 않는다는 점으로 인해 임상 적용은 제한적이다. 의사 사용자 연구를 통해 임상 지침에 맞는 기준을 요구받은 우리는 연속 예측자들이 성능을 포기하지 않고 임상적으로 교육된 범주적 인코딩으로 대체될 수 있는지 여부를 묻는다. 유럽의 여러 센터를 기반으로 한 데이터베이스를 세
대규모 언어 모델(LLM)은 이론적으로 해결할 수 있는 문제를 해결하지 못하는 경우가 종종 있습니다. 하지만 이러한 문제는 모델의 전반적인 능력 때문이 아니라 중간 단계의 지역적인 추론 버그 때문이라고 주장합니다. 이러한 버그는 자주 수정할 수 있습니다. 강력한 모델이 해결한 동일한 문제의 prefix를 사용하여 약한 모델의 patch를 삽입하면 올바른 해결책으로 향하는 경로를 재지정할 수
맥파우는 Liquid AI의 모델을 사용하여 지역 버전의 AI 보조 도구 Eney를 개발 중이다.
신경symbolic AI 시스템은 머신 러닝과 symbol reasoning을 통합하는 시스템으로 빠르게 주목을 받고 있습니다. 이들은 신경망과 언어 모델의 데이터 기반 통계적 접근 방식과 함께 symbol reasoning 알고리즘을 통합하여 많은 실세계적 응용 프로그램을 특징으로 하는 고위험 영역이나 데이터 부족한 영역에서 작동할 수 있습니다. 우리는 신경symbolic AI가 머신 러닝
생물학적 시스템은 제한된 인식 대역폭에서 상충하는 요구를 규제해야 하며, 하나의 추정치를 보다 구체화시키는 것은 다른 추정치를 보다 구체화시키지 못하게 하는 것이다. 따라서 고정 예산 시스템은 인식의 정밀도를 어디에 할당할지 결정해야 한다. 우리는 생존을 위해 여러 신체적 필요를 충족시켜야 하는 포식자에 대해 연구한다. 이 포식자는 주어진 몸 상태에 대한 믿음, 가장 필요한 채널을 식별, 그
대규모 언어 모델(LLM)과 같은 이전에 훈련된 인식 모델을 새로운 환경에서 사용하면 분포가 변화하는 경우 정확도가 저하되며 단독으로 이를 회복시키려면 결합 방식을 사용하는 것만으로는 충분하지 않다. 결합 방식 중 다수결 투표는 재콜을 위해 정밀도를 희생하고 coordinated 실패에 취약하다. 이전의 메타인지 방법은 논리적 규칙을 통해 모델의 오류를 식별하지만, 실제로 새로운 장면에 적용
데이터 지능의 중요한 문제 중 하나는 구조화된 표 데이터에서부터 BOTH 텍스트 분석과 시각화 차트를 포함하는 전문적인 멀티모달 보고서를 자동으로 생성하는 것입니다. 현재 방법론은 고정된 선형 PIPELINE과 분리된 SUBTASK PROCESSING으로 인해 사실의 정확도, 시각적 품질, 그리고 논리적 일관성을 동시에 최적화하는 것을 방해하고 있습니다. 이러한 문제를 해결하기 위해, 이 논
과학 발견은 지식의 조직 변화를 통해 진보해 왔다. 새로운 프런티어에 도달한 과학은 정보를 생성하는 것만큼 더 이상 단순하지 않다. 지식, 추론, 증거를 조직하는 일련의 과정을 통해 합리적인 과학 발견을 추구해야 한다. 사회화된 과학적 지능(Bridging Literature, Agents, and Zero-gap Experimentation, BLAZE)을 소개한다.
대규모 언어 모델(LLM) agent가 점점 더 복잡한 현실 세계 작업을 완료하기 위해 외부 도구에 의존하고 있습니다. 그러나 신뢰할 수 있는 도구 사용 계획은 암묵적 추론의 한계와 현실 세계 실행 환경의 변화에 의해 어려움을 겪고 있습니다. 기존의 도구 사용 agent는 일반적으로 텍스트 설명에서 도구 구성이 추론되는 LLM을 의존하여, 복잡한 작업에서 효율적인 탐색과 불신할 수 있는 실행
Runware는 대규모 언어 모델(LLM)과 같은 AI 인프라를 위한 모듈러 데이터 센터인 소닉 인페런스 팟을 출시했습니다. 이 데이터 센터는 휴대성이 뛰어나며, 다양한 환경에서 데이터 처리를 지원합니다.
대규모 언어 모델(LLM)의 inference-Energy 평가를 위해 request-level energy를 측정하는 방법이 필요했습니다. 현재의 inference-Energy 벤치마크는 모델-, phase-, 또는 token-level energy를 측정하지만 request-level energy를 측정하지 못했습니다. 우리는 JouleShare라는 attribution framework
최적화 모델링과 제약 모델링은 깊은 도메인 전문 지식과 모델링 형식 언어에 대한 숙련도가 필요합니다. 이 연구에서는 대규모 언어 모델(LLM)의 최적화 모델링 성능을 향상시키기 위해 검색 증강 생성 PIPELINE을 개발했습니다. 이 PIPELINE은 커스텀 시스니스틱 데이터 세트를 사용하여 500개의 최적화 문제를 생성하고, LangChain LLM agent를 사용하여 문제를 해결했습니다. 실험 결과, Qwen 3 30B Instruct 모델을 사용한 PIPELINE의 정확도가 NL4OPT, MAMO Easy, MAMO Complex에서 각각 40%에서 72%, 40%에서 56%, 32%에서 56%로 향상되었습니다.
대규모 언어 모델(LLM)의 평가를 위해 필요한 계산 오버헤드가 개발 과정을 지속하는 데 큰 걸림돌이 되고 있다. 코어셋 선택을 통해 평가 속도를 높일 수는 있지만, 현재의 방법들은 대부분 과거 로그 데이터를 대량으로 필요로 하거나(예: 아이템 응답 이론), 표면적인 언어적 편향을 보이며 실제 논리적 사고 공간을 놓치게 된다. 우리는 CoT-Core라는 새로운 코어 질문 선택 프레임워크를 제
대규모 언어 모델(LLM)의 지역 배포는 개인 정보 보호의 우려와 기지 내 추론의 욕구로 인해 점점 더 심화되고 있다. 그러나 소비자 하드웨어에서 에너지 비용은 주로 정확도만 고려하는 대부분의 벤치마크로 인해 아직까지도 매우 불확실한 상태이다. 이 논문은 1B에서 7B 파라미터까지의 열 개의 오픈 소스 대규모 언어 모델이 하나의 소비자 GPU(RTX 4060Ti 16GB)에서 실행되는 하드웨
장기 시각적 환경에서 동작하는 멀티모달 에이전트는 엔티티에 대한 일관된 temporally grounded(시각적으로 정해진) 추론을 지원하기 위해 multimedia memory를 생성하고 지속적으로 업데이트해야 합니다. 그러나 현재의 에이전트 메모리 접근법은 강력한 압축과 segment-wise processing에 의하여 fine-grained identity cues를 버리며, 벡터
