검증 가능한 AI 에이전트 운영
에이전트의 실행 권한과 근거를 함께 검증하는 연구를 살펴봅니다.
노시욱 (Patrick Rho)
작성한 글
페이지 15
DU-NO, 파도를 위상까지 읽는 가벼운 연산자
FUNWAVE-TVD급 정확도를 노리면서 파라미터를 10분의 1로 줄인 이중 U형 신경 연산자 DU-NO의 구조와 실험을 읽어봅니다.
언어가 부족한 자리, 숫자를 직접 다루는 모델이 필요한 이유
언어가 수치 기록을 손실 방식으로 줄인 메모에 가깝다는 진단에서 출발해, 재현성과 계보와 교정된 불확실성이 요구되는 자리에서 Large Quantitative Model이라는 별도 갈래가 왜 거론되는지 따라가는 글입니다.
맞히는 모델이 아니라 보태는 모델을 고르는 법
외부 예측에 언어 모델을 언제 섞어야 하는지를 가려내는 competence gate 연구를 해설합니다. 분야별 가중치와 시장 앞에서의 한계를 함께 봅니다.
실패를 되새기면 에이전트는 정말 나아질까, VRL-Bench가 묻는 시도 횟수의 문제
제한된 시도 안에서 실패를 글로 되새기는 verbal reinforcement learning을 공정하게 재는 VRL-Bench와 남은 기회를 나눠 쓰는 스케줄러 VEX^2를 해설합니다.
심장 전체를 읽는 법, 잠재 주의 마스크드 오토인코더로 엮는 멀티모달 심장 표현
ECG와 심초음파, 흉부 X선, 임상 변수를 사전학습 단계부터 함께 읽는 LAMAE를 해설합니다. 잠재 공간의 공유 주의와 study view entity 계층이 결측을 견디는 환자 표현을 만드는 과정을 따라갑니다.
하네스일까 모델일까, 코딩 에이전트의 실력은 어디에서 오는가
같은 모델을 다른 하네스에 얹으면 성적이 달라질까. 오염을 차단한 비공개 과제 256개와 792개 실행으로 평균의 동점과 과제 유형별 갈라짐, 그리고 시간과 비용의 의미를 읽습니다.
함께 일하는 35B, Occamy-1.0이 가리킨 비용의 무릎
Qwen3.6-35B-A3B 위에서 실행 기반으로 다듬은 개방형 co-work 모델 Occamy-1.0을 긴 실행 궤적과 단계별 후학습, 비용 대비 성능이라는 관점으로 읽는다.
예시가 몇 장 없을 때 프로토타입을 안정시키는 방법
서로 겹치지 않는 support episode를 여러 개 모아 평균하는 Multi-Episode Prototypical Networks가 DeFACTO 센서 데이터에서 one-shot 결정을 어떻게 안정시키는지 읽어봅니다.
T-GADE, LLM이 만든 결과물을 열역학으로 진화시키는 법
설명과 코드가 한 쌍인 LLM 아티팩트를 자유 에너지 목표로 진화시키는 T-GADE를 해설합니다. 페르미와 보즈 점유, 세대와 정상 상태 업데이트, 빈 패킹에서의 훈련과 전이 초과분 개선을 따라갑니다.
흩어진 커널을 허브로 모으겠다는 선언
Hugging Face의 Kernels 업데이트를 따라가며 버전 관리 허브, 실행 시점 디스패치, autotuning과 캐시, Transformers 통합이 추론 현장에서 무엇을 바꾸는지 해설합니다.
LeRobot v0.6.0, 상상하고 재고 고치는 로봇 학습
Hugging Face의 LeRobot v0.6.0이 묶은 Imagine, Evaluate, Improve 고리를 따라가며 데이터 규격과 평가, 반복 개선이 로봇 학습을 어떻게 바꾸는지 읽어봅니다.