벡터 대신 기호를 공유하다: 이기종 LLM을 학습 없이 연결하는 SYNC
SYNC는 서로 다른 구조의 언어 모델이 미세 조정이나 학습된 변환기 없이 사실을 주고받도록 하는 단어 인덱스 기반 통신 방식을 제안한다. 수신 모델은 자신의 은닉 상태에 있는 단어 방향을 활용해 전달된 정보를 기록한다.
더 보기Claude API 중계소 가이드, 검출 원리, LLM API 실측 노하우
총 2320개의 아티클
RSS 구독SYNC는 서로 다른 구조의 언어 모델이 미세 조정이나 학습된 변환기 없이 사실을 주고받도록 하는 단어 인덱스 기반 통신 방식을 제안한다. 수신 모델은 자신의 은닉 상태에 있는 단어 방향을 활용해 전달된 정보를 기록한다.
더 보기ActionOPD는 블랙박스 교사 모델의 토큰열을 그대로 복사하는 대신, 의미적 행동을 소형 에이전트에 증류하는 온폴리시 방법을 제안한다. 교사의 토큰 확률이나 동일한 토크나이저가 없어도 학습할 수 있다.
더 보기Hybrid Reasoning Agents는 잠재 공간의 내부 추론과 텍스트 기반 도구 사용을 하나의 생성 과정에 통합한다. 논문은 여러 분야의 벤치마크에서 성능을 높이는 동시에 토큰 사용량과 추론 비용을 줄였다고 보고한다.
더 보기JSSA는 토큰 단위 희소 어텐션의 선택 정확도와 불규칙한 메모리 접근 문제를 함께 해결하는 방법입니다. NVIDIA B200에서 128K 컨텍스트 기준 full-KV 어텐션 대비 최대 6.43배의 디코딩 처리량을 보고했습니다.
더 보기ProbabilityBench는 인스턴스별 클래스 확률을 정확히 계산할 수 있는 세 가지 시뮬레이션 텍스트 환경을 제공합니다. 이를 통해 모델의 확률 예측과 보정 지표를 알려진 정답에 직접 비교할 수 있습니다.
더 보기유닛 테스트를 통과했다고 해서 수정이 올바른 것은 아니다. PreciseCoder는 의미적으로 검증된 국소 편집 보상을 추가해 과도한 수정과 존재하지 않는 버그 추정을 줄이는 접근을 제시한다.
더 보기SWEeper-Bench는 코드 에이전트가 이미 보고된 버그를 고치는 데서 그치지 않고, 브라우저의 다단계 상호작용을 통해 숨은 결함을 찾아 수정할 수 있는지 평가합니다. 15개 최첨단 에이전트 중 최고 통과율은 59.0%에 머물렀습니다.
더 보기Doc2Harness는 고정된 에이전트 환경에서의 작업 성공률을 넘어, LLM이 코딩 에이전트의 실행 기반인 Harness 자체를 만들 수 있는지 평가한다. 최고 모델도 328개 테스트에서 절반을 조금 넘는 수준만 통과했다.
더 보기한 서베이 논문이 낮은 수준의 동작 예측을 넘어 목표 이해, 작업 계획, 실행 오류 수정, 환경 적응을 수행하는 에이전틱 로봇 연구를 정리했다. 기존 연구는 Model, Data, Environment, Harness라는 네 기능 영역으로 분류된다.
더 보기휴머노이드의 도구 사용은 도구를 집는 것만으로 끝나지 않습니다. 적합한 도구를 고르고 조작하며 필요할 때 이동까지 수행해 과제를 완수할 수 있는지를 HumanoidToolBench가 평가합니다.
더 보기대규모 언어 모델 에이전트는 도구를 잘못 사용해서만 실패하는 것이 아니다. 사용자와 비효율적으로 상호작용하는 문제까지 측정하는 τ-Emotion-Bench가 제시됐다.
더 보기출력 형식의 제약만 만족하면 실질적인 답변이 거의 없어도 높은 점수를 받을 수 있다는 연구 결과가 나왔다. 연구진은 추가 심사 모델 없이 참조 정책의 가능도를 활용해 이 문제를 완화하는 CALIF를 제안했다.
더 보기이미지 생성 모델은 읽을 수 있는 중국어를 만들면서도 획이 빠지거나 추가되고 구성 요소가 일그러진 글자를 남길 수 있습니다. TextVerifier는 글자를 읽을 수 있는지보다 목표 한자가 올바른 형태로 그려졌는지를 판별합니다.
더 보기Last Secure Code Benchmark는 기능 테스트를 통과한 코드도 안전하다고 볼 수 없음을 보여준다. 6개 최첨단 코딩 에이전트에서 기능과 보안 검사를 모두 통과한 비율은 16.4~25.1%에 그쳤다.
더 보기GreenWAM은 20개 로봇 계열을 공통 해부학적 행동 공간으로 표현해, 장면의 변화를 예측하는 세계 모델과 행동을 선택하는 정책으로 함께 사용하려는 모델이다.
더 보기Jeva는 후보 선택을 단순한 텍스트 생성 문제로 바꾸는 대신 의사결정의 구조를 모델에 직접 반영한다. 정답 없음 감지, 후보 순서 불변성, 가변 후보 집합, 계산 재사용을 하나의 설계에서 다룬다.
더 보기이미지가 AI로 생성되지 않았다고 해서 그 안의 상황이 사실이라는 뜻은 아닙니다. EviScene은 이미지를 직접 분석하고 외부 증거를 검색해 묘사된 상황을 뒷받침하거나 반박하는 멀티모달 에이전트를 제안합니다.
더 보기JevGPT는 연구 계획과 증거 처리를 분리한 이중 시스템 구조를 제안한다. 빠른 시스템이 자료를 탐색하고 평가하는 동안, 느린 시스템은 필요한 증거를 정의하고 발견 결과를 연구 방향에 반영한다.
더 보기LifeSearch는 학술 연구나 합성 과제가 아니라 실제 생활과 생산성 작업으로 딥리서치 에이전트를 평가하는 벤치마크입니다. 가장 높은 성능을 보인 에이전트도 63.4%에 그쳤습니다.
더 보기NVIDIA 연구진이 동영상만 입력해 생성 동영상의 물리적 일관성 위반 정도를 측정하는 PhyProbe를 공개했습니다. 쌍별 순위 학습과 회귀, 앵커 기반 보정을 결합해 비교 순서와 점수의 안정성을 함께 확보하려는 접근입니다.
더 보기Latent World Action Model은 미래 스크린샷 전체 대신, 사용자의 조작으로 발생하는 변화를 잠재 공간에서 예측한다.
더 보기