본문으로 건너뛰기
AI UsefulInfo ai.usefulinfo

#추론

574개의 기사

에이전트 7월 13일

ARCANA: 반사적 다중 agent 프레임워크, ARC-AGI-2 논리 추론을 위한 프로그래밍 합성 도구

ARCANA는 제한된 시간과 하드웨어 자원 하에서 ARC AGI 2 과제를 해결하기 위한 협력적인 다중 agent 프레임워크입니다. ARCANA는 각 과제를 반복적 인 감각, 가설 생성, Symbolic 실행, 그리고 반사적 개선으로 분해합니다. 감각 기반 agent는 raw grids에서 raw grids를 object 중심의 scene 그래프로 변환하고, latent program policy는 다양한 DSL 프로그램을 제안하며, symbolic executor는 후보 프로그램을 demonstration에 대한 verification을 통해 검증하고, reflective agent는 다음 턴에 대한 failure-driven feedback를 제공합니다. 이러한 agent는 shared differentiable blackboard를 통해 서로 의사소통하고, learned meta controller에 의해 스케줄링됩니다. 이 설계는 구조화된 프로그램 탐색과 적응적인 다중 턴 수정을 결합하여 challenging abstract transformation 과제에서 논리 추론 효율성과 솔루션 품질을 향상시킵니다.

에이전트 7월 13일

그래프 증강 tree 검색 및 층별 월드 모델을 이용한 효율적인 agent 계획

대규모 언어 모델(LLM)-agent는 단계별 계획 작업에서 hứ부를 보여주었지만, 존재하는 접근법인 언어 에이전트 트리 서치(LATS)와 ReAct는 계획 중에 LLM 추론에 의존하여, 높은 컴퓨팅 비용과 확률적 행동을 초래한다. 우리는 GATS (그래프 증강 트리 서치)라는 계획 프레임워크를 제시한다. GATS는 체계적인 UCB1 기반 트리 서치와-layered 월드 모델을 결합하여, 추

AI 모델 7월 13일

LLM의 신뢰성을 높이는 인공 지능 기술 - CogniConsole

대규모 언어 모델(LLM)의 신뢰성을 높이기 위해 연구팀은 인공 지능 기술인 CogniConsole을 개발했습니다. CogniConsole은 태스크 프레임과 컨텍스트 선택을 위한 컴퓨팅 층인 인페런스 타임 컨트롤을 구조화된 인터페이스로 외부화하는 아키텍처 인스턴스입니다. 연구팀은 이 기술을 통해 LLM의 출력 변동성과 실패율을 줄일 수 있음을 입증했습니다.

에이전트 7월 10일

인격적 인공지능(Agentive AI)과 수집 확장 모델의 직관적 기관 보험 심사

인공 지능(AI)은 특히 구조화되지 않은 문서, 다양한 데이터 원천, 규제된 결정 워크플로가 필요하는 영역에서 actuaries의 실무를 재편하고 있습니다. actuaries는 지금까지의 전통적인 규칙 기반 자동화부터 대규모 언어 모델(LLM), 검색 증강 생성(RAG), 다중 에이전트 '이기적인' 시스템까지 다양한 설계 공간을 마주하고 있습니다. 이 시스템은 계획, 검색, 도구 호출, 반영

AI 모델 7월 10일

무한 파서2 기술 보고서

Infinity-Parser2는 대규모 다중 모드 모델로, 데이터 합성을 위한 제어 가능한 pipe라인과 다중 목표 강화 학습을 통해 문서 파싱을 끝까지 수행하는 시스템입니다. 우리의 기여는 세 가지로 나뉩니다. 첫째로, 우리는 대규모 데이터 합성을 위한 스케일러블한 엔진을 만들었습니다. 이 엔진은 제어 가능한 렌더링 프레임워크와 반복적인 개선 루프를 pairing하여, 5백만 샘플의 이중

AI 모델 7월 10일

의료 판단을 위한 LLM에 대한 연구: 임상 요구와 인공지능 기능을 조화시키는 조사

대규모 언어 모델(LLMs)은 의료 분야에서 중요한 도구로 떠올랐으며, 임상 판단력과 환자 관리에 대한 성장하는 잠재력을 보이고 있다. 이 조사에서는 최근 의료 대규모 언어 모델의 진행을 조사하며, 논리적 사고를 위한 응용 프로그램과 요구 사항에 중점을 둔다. 우리는 임상 실무와 계산적 방법론을 연결하는 이중 시각적 접근 방식을 제시한다. 임상 분야에서, 우리는 밀러 피라미드에 따라 지식 회

연구 7월 10일

인간과 큰 언어 모델의 모임을 위한 적대적 사회적 지식론

본 논문에서는 대규모 언어 모델(LLM)을 포함한 밀접한 상호작용을 통해 의사소통하는 환경에서 공공 선언이 증거, 추론, institutions, 그리고 묵시적인 신뢰를 통해 체계화된 체인으로 지원되는 사회적 지식론을 제시한다. 이러한 환경에서 agent는 사적인, 명성, 연설, 물질적 이익을 위해 정보를 왜곡, 색칠, 누락, 조작, 또는 전략적으로 정보를 특정하지 않도록 유도하는 유인이 있

AI 모델 7월 9일

대규모 행동 모델: 소매 고객의 디지털 트윈

고객 행동 모델링은 추천, 마케팅 및 의사 결정을 지원하는 근거입니다. 그러나 기존 접근법은 결정의 설명 없이 예측 정확성을 최적화하거나 실제 행동 데이터에 근거하지 않은 사용자를 시뮬레이션하는 것을 선택합니다. 우리는 대규모 영역 모델(Large Behavioral Model, LBM)이라는 모델을 제시합니다. 이는 대규모 RETAIL 거래를 통해 통합된 사람-환경( Person-Envir

LLM PC 7월 9일

기업형 기관적 인공지능의 토큰 경제학을 설정하는 오케스트레이션 디자인 효과

현재 에이전트 AI 개발은 토큰을 최대화하는 방식으로 진행된다. 즉, 토큰을 사용하여 기능을 구매하는 방식으로, 더 긴 추론 경로, 더 많은 회전, 더 넓은 도구 로드, 더 큰 재생된_contexts를 얻기 위해 토큰당 작업의 가치가 증가하는 속도보다 토큰당 작업이 더 빠르게 증가한다. 토큰당 가격이 하락함에 따라 이 패턴은 드러나지 않지만, 총 지출은 여전히 증가한다. 우리는 토큰을 최대화

에이전트 7월 9일

SageMath-증강 LLM agent를 사용한 계산 및 실험 수학의 평가

수학 분야에서 AI를 이용한 최근 성과는 주로 자동 공식화와 정리 증명에 집중되어 왔다. 그러나 대규모 언어 모델(LLM)에서 컴퓨터 대수 시스템(CAS)의 역할은 아직 충분히 연구되지 않았다. 우리는 SageMath에서 얻은 검증 가능한 feedback와 Context7의 최신 문서를 결합한 ReAct-style 대인적인 설정을 제안한다. 또한 RealMath 벤치마크에서 연구 수준의 수학

에이전트 7월 9일

LLM을 이용한 agent-based modeling의 논리적 추론

학습형 모델링(ABM)은 수백만 명의 개인과 그 상호 작용을 모델링 할 수 있는 능력을 가지고 있으며, 정책 결정에 유용하다. 그러나 ABM은 전통적으로 정적 전제에 의존해왔다. 이는 모델이 실시간으로 변하는 상황에 적응하지 못하게 한다. 우리 연구에서는 이러한 정보 결핍을 해결하기 위한 새로운 접근법을 제공한다. 대규모 언어 모델(LLM)은 인간의 의사 결정 예측에 새로운 기회를 제공한다.

AI 모델 7월 9일

인맥 내 검색이 도움이 될 때 : 반사 주도적인 사유의 샘플링 복잡도 이론

대규모 언어 모델(LLM)들을 확장된 논리 추론을 통해 훈련하면, 모델이 순차적으로 해결책 시도들을 생성, 비판, 수정할 수 있는 인컨텍스트 탐색(in-context search) 방식을 사용할 수 있다. 인컨텍스트 탐색을 근사적 추론으로 모델링하고, 기초 모델이 사전 분포를 정의하고, 자기 반영(self-reflection)이 후속 업데이트를 위한 피드백을 제공하는 것을 분석한다. 또한,

AI 모델 7월 8일

헤딩 특정 활성화 조종으로 도구 사용을 제어한다.

대규모 언어 모델(LLM)과 관련된 도구를 활용한 확장된 모델은 파라메트릭 지식 이외의 기능을 확장시키지만, 불필요하게 도구를 호출하는 경향이 있다. 우리는 도구 사용 결정을 추출하고 조작할 수 있는 안정적인 내부 표현이 존재하는지 조사하고자 한다. 이는 모델의 파라메트릭 지식에 직접적인 인코딩이 없는 도구가 추론 시점에 전체적으로 존재하는 конт텍스트에 존재한다는 점을 고려할 때, 이는

에이전트 7월 8일

리더보드 너머: 대형 언어 모델 agent의 도구 사용, 계획, 논리적 오류 통합

대규모 언어 모델(LLM) 에이전트는 점점 더 자신의 도구를 사용하는 능력, 다단계 작업을 계획하는 능력, 다른 에이전트와 협력하는 능력, 그리고 장기간의 시야를 갖는 능력에 대해 평가되고 있습니다. 보고된 벤치마크 향상은 종종 다른 평가 활동에 기록된 반복적인 실패 모드를 가려두고 있습니다. 이 연구는 27개의 벤치마크, 분류, 감사 논문(2023-2026)을 종합하여 에이전트의 한계를 설

에이전트 7월 8일

메모리 아키텍처를 위한 Akashic: 메모리 주의(Low-Overhead LLM Inference Service)와 MemAttention

대규모 언어 모델(LLM) 기반.agent 시스템은 멀티 턴 상호 작용, 도구 호출, 및 크로스 세션 워크 플로우를 포함한 다양한 컨텍스트를 연속적으로 축적합니다. 이 모든 요청에 대해 전체 역사 재생은 impractical해지며, 긴 컨텍스트는 prefll 비용을 증가시키고, 컨텍스트 한계를 초과하고, 그리고 task 관련 증거를 불필요한 콘텐츠에 묻힐 수 있어, 서비스 효율성과 출력 품질을 저하시킵니다.

AI 모델 7월 8일

자동 CAD 생성을 위한 기초 모델

최근 대규모 언어 모델(LLM)과 시각-언어 모델(VLM)의 발전으로 자연어 설명으로부터 매개변수 3D 디자인을 자동으로 생성할 수 있게 되었습니다. 이 장에서는 CAD 디자인의 자동 생성을 위한 기초 모델에 대한 경험적 연구를 제시하며, 97개의 엔지니어링 디자인 문제를 포함하는 고유한 평가 PIPELINE과 커밋된 벤치마크를 사용합니다. LLMForge라는 다중 모델 텍스트- CAD 프레

LLM PC 7월 8일

그래프에서 기울기까지: 물리적 지침에 의한 구조적 attribution을 위한 Cyber-Physical IoT 시스템과 그 이상

인공지능에서 설명 가능성 방법은 시스템이 특정 입력에 따라 어떤 방식으로 행동하는지의根本 원인과 그 영향력을 드러내어 더 깊은 이해를 가능하게합니다. 기존의 설명 가능성 방법과는 달리, 인과적 설명은 주로 입력 변수와 출력 변수 간의 상관관계만 강조하는 것에 초점을 맞추며, 대신에 intervene하는 질문에 초점을 맞추어 더 강력한 이해를 제공합니다. 이는 특히 고위험 영역에서 자동화된 결

인기 태그

#arXiv 1177 #AI 에이전트 956 #추론 574 #OpenAI 460 #Google 395 #벤치마크 333 #Anthropic 254 #GPT 218 #Meta 168 #Claude 145 #가격 정책 140 #AI 안전 139 #Microsoft 134 #Gemini 130 #멀티모달 106 #로보틱스 104 #NVIDIA 96 #오픈소스 92 #파인튜닝 88 #허깅페이스 65