작은 모델들을 한 팀으로 굴리는 법을 묻다
클라우드 거대 모델 없이도 에이전트를 굴릴 수 있을까. OrchSLM이 제안하는 비인터랙티브 오케스트레이션과 라우터, 과제 구조, 모델 풀, 합의의 움직임을 따라가 봅니다.
핵심 주제
AI 에이전트
AI 에이전트를 도구에서 책임 있는 동료로 전환하기
에이전트 오케스트레이션, 협업, 역할과 에스컬레이션, 장기 실행과 인간 감독을 실제 운영 관점에서 살펴봅니다.
관련 글
페이지 7
몇 달짜리 밭일을 맡길 수 있을까, 스스로 적응하는 피지컬 AI에 대한 논문을 읽고
사전 학습 없이 농장 관리에 투입된 LLM 멀티 에이전트가 같은 날씨에서는 강화학습과 비기고 바뀐 날씨에서는 더 잘 버틴다는 연구를 따라가며, 계획과 도구 호출과 관찰과 검증의 고리가 왜 필요한지 따져봅니다.
졸업해도 남는 연구실, LabAgent가 재현과 발견을 잇는 법
사람이 바뀌어도 끊기지 않는 연구실을 만들려는 LabAgent를 따라가며 재현과 발견을 묶은 허브, 실행되고 검증되는 스킬, 실패 기록의 자산화, 네 개 생명과학 영역 평가와 그림 재현이 말하는 것을 읽는다.
바이브 특허 내기, LLM 심사자는 전문 특허 일을 평가할 수 있을까
특허 명세서 작성이라는 실제 전문 업무를 무대로 LLM 심사자의 평가와 첨삭 능력을 검증한 Vibe Patenting 연구를 따라가며, 반복 피드백과 추론 비용, 전문가 검증의 의미를 풀어봅니다.
반복 학습과 자기 개선을 하나의 틀로 묶으면 무엇이 보일까
반복적인 정책 개선과 재귀적 자기 개선을 하나의 학습 패러다임으로 설명하는 Generalized Agent Iteration 프레임워크를 해설합니다. 개선 장치의 위치와 평가 기준의 고정 여부를 기준으로 두 개념의 경계와 위험을 구분합니다.
ZGCM-1, 7B로 수백B급과 맞서는 법, 외우지 않고 찾아내는 모델
처음부터 학습한 7B dense 모델 ZGCM-1이 내부 추론과 외부 검색을 묶어 수학과 에이전틱 검색에서 대형 프론티어 모델과 경쟁하는 구조와 학습법을 해설합니다.
전화로 이름 받아 적기는 왜 이렇게 어려울까
타우-엘리시테이션이 음성 에이전트의 다중 턴 정보 수집을 측정한 방식을 해설합니다. 텍스트에서는 다 맞추고 음성에서는 틀리는 이유와 검증과 복구의 병목을 다룹니다.
실패의 마지막 장면이 아니라 흩어진 단서를 찾는 일
긴 작업을 수행하는 에이전트가 실패할 때 진짜 원인은 왜 마지막에 있지 않은지, 그리고 판단을 한 번이 아니라 여러 번 이어가는 Continual Search가 진단을 어떻게 바꾸는지 해설합니다.
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.
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.
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.