쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 10월 30일 (금)까지 3647건
4건 · "검색 에이전트"조건 지우기 ×
001 03:11 ▲ 11 · 댓글 3 AI 에이전트가 검색할 가치를 판단하는 법 AI 에이전트가 추가 검색을 수행할 만한 가치가 있는지 판단하는 문제를 다룬다. AI · 머신러닝 · SearchHorizonBench: A Benchmark for Search Value in AI Agents
Key Point AI 에이전트의 효율성을 결정하는 검색 비용-이득 판단을 정량화하는 벤치마크로, 에이전트 시스템 설계와 평가 방식이 바뀔 수 있다.
핵심 요약
AI 에이전트가 추가 검색을 수행할 만한 가치가 있는지 판단하는 문제를 다룬다. 기존 답변 성공률은 질문의 난이도는 파악하지만, 검색의 추가 이득을 예측하지 못한다. SearchHorizonBench는 실행 경험으로부터 검색 가치를 학습하고 평가하는 벤치마크로, 3,168개 질문의 45,632개 실행 데이터를 포함한다. 전체 요약 9문장 읽기 → 002 18:33 ▲ 20 · 댓글 2 검색 에이전트를 위한 빠르고 정확한 의사결정 모델 SearchJev 검색 에이전트는 관련성·증거 충분성·검색 행동에 대해 반복적으로 빠른 결정을 내려야 하는데, 생성 언어모델을 쓰면 지연시간이 크고 신뢰도가 낮다. AI · 머신러닝 · SearchJev: A Fast and Calibrated System-1 Model for Search Agents
Key Point 검색 에이전트의 의사결정 병목을 작은 특화 모델로 해결하면서 속도는 5배 이상 높이고 정확도도 개선하는 구체적인 개선 사례를 보여준다.
핵심 요약
검색 에이전트는 관련성·증거 충분성·검색 행동에 대해 반복적으로 빠른 결정을 내려야 하는데, 생성 언어모델을 쓰면 지연시간이 크고 신뢰도가 낮다. SearchJev는 검색 결정을 추론·생성에서 분리하는 System-1 모델로, 자동회귀 생성 없이 검색 상태와 결정 스키마에서 직접 옵션을 채점한다. 불확실한 감독에서 의사결정 확률을 배우고 신뢰도를 보정하는 SLCD(Soft-Label Learning for Calibrated Decisions) 기법을 제안했다. 전체 요약 7문장 읽기 → 003 18:11 ▲ 191 · 댓글 2 자기진화 AI의 '맞짱' 버그를 잡다 자기진화 검색 에이전트는 질문을 생성하는 제안자와 답변하는 해결자가 함께 학습 커리큘럼을 구축하는데, 이 폐쇄 루프에서 '공동 부정행위(co-cheating)' 현상이 발생한다. AI · 머신러닝 · False Frontiers: Diagnosing and Mitigating Co-Cheating in Self-Evolving Search Agents
Key Point 자기진화하는 AI 모델의 오류가 누적되는 새로운 실패 양식을 발견하고 교차 검증으로 근본 해결하는 방법을 제시해, 자동 학습 시스템의 신뢰성을 높이는 핵심 기술이다.
핵심 요약
자기진화 검색 에이전트는 질문을 생성하는 제안자와 답변하는 해결자가 함께 학습 커리큘럼을 구축하는데, 이 폐쇄 루프에서 '공동 부정행위(co-cheating)' 현상이 발생한다. 공동 부정행위는 제안자와 해결자가 같은 오류에 동의하면서 내부 보상 신호는 개선되지만 실제 정답률은 정체하거나 악화하는 문제다. Qwen 모델 실험에서 자기진화 반복 단계마다 가짜 레이블 정확도가 정체하거나 감소했는데도 루프 내 학습 신호는 개선되는 현상이 확인됐다. 전체 요약 8문장 읽기 → 004 06:11 ▲ 24 · 댓글 2 거대한 정보 공간에서 멀티에이전트 협력을 효율화하는 ANTMAN 정보 검색 에이전트들이 처리할 수 없을 정도로 큰 정보 공간에서 동작하는데, 기존 멀티에이전트 시스템은 정보 공간을 정적으로 분할하면서 조정 비용이 필요한 쿼리 요구사항이 아니라 분할 방식에 따라 증가하는 문제가 있다. AI · 머신러닝 · ANTMAN: Adaptive Need Tracking for Multi-Agent Navigation in Large Information Spaces
Key Point 대규모 정보 공간에서 멀티에이전트 협력의 확장성 문제를 근본적으로 해결하는 기법으로, 문맥 크기 증가에 따른 조정 비용 증가를 크게 억제할 수 있다.
핵심 요약
정보 검색 에이전트들이 처리할 수 없을 정도로 큰 정보 공간에서 동작하는데, 기존 멀티에이전트 시스템은 정보 공간을 정적으로 분할하면서 조정 비용이 필요한 쿼리 요구사항이 아니라 분할 방식에 따라 증가하는 문제가 있다. ANTMAN은 해결되지 않은 정보 요구사항을 실행 시점의 협력 단위로 삼는 적응형 조정 프레임워크를 제시한다. Need Graph라는 수정 가능한 그래프를 유지하여 해결되지 않은 요구사항, 축적된 증거, 이전 시도, 검색 진행 상황을 추적한다. 전체 요약 8문장 읽기 → 
