쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 22일 (일)까지 5067건
6건 · "검색 증강"조건 지우기 ×
001 03:11 ▲ 11 · 댓글 2 생성 모델이 직접 관련성 판단…글랜스 레랭킹 방식 검색 증강 생성(RAG)에서 보통 별도의 리랭커 모델과 생성 모델을 이중으로 두지만, Glance는 생성 모델 자체에 경량 의사결정 어댑터와 포인터 헤드를 더해 두 역할을 한 모델이 수행하도록 했다. AI · 머신러닝 · Glance: The Generator Is Its Own Reranker
Key Point 기존 RAG의 이중 모델 문제를 하나의 생성 모델로 통합하면서도 리랭킹 정확도는 더 높이는 방식이 제시되어, 비용 효율과 성능 사이의 트레이드오프를 해결하는 방법을 제시한다.
핵심 요약
검색 증강 생성(RAG)에서 보통 별도의 리랭커 모델과 생성 모델을 이중으로 두지만, Glance는 생성 모델 자체에 경량 의사결정 어댑터와 포인터 헤드를 더해 두 역할을 한 모델이 수행하도록 했다. 쿼리-문단 쌍을 각각 따로 처리하지 않고 공유된 prefill 캐시에서 짧은 관련성 프로브를 분기하여 각 후보 문단마다 하나의 점수를 생성하므로, 처리 비용을 크게 줄인다. 9B 백본 모델이 생성, 일반 의사결정, 리랭킹을 모두 담당하며 각 기술별로 약 0.1GB의 추가 메모리만 필요하다. 전체 요약 7문장 읽기 → 002 21:11 ▲ 50 · 댓글 1 RAG 파이프라인 최적화는 부품 조합 방식이 핵심 RAG(검색 증강 생성)는 임베딩, 청킹, 검색, 재순위, 쿼리 증강, 컨텍스트 압축, 에이전트 검증 등 여러 기법을 조합하지만 보통 각 기법을 따로 평가해왔다. AI · 머신러닝 · Retrieval Augmented Generation Compositionality
Key Point RAG 시스템을 구축할 때 각 기법을 따로 최적화하는 현재 관행이 실제 성능 향상으로 이어지지 않으며, 전체 구성 방식과 코퍼스 규모를 함께 고려해야 한다는 점을 실증한 연구다.
핵심 요약
RAG(검색 증강 생성)는 임베딩, 청킹, 검색, 재순위, 쿼리 증강, 컨텍스트 압축, 에이전트 검증 등 여러 기법을 조합하지만 보통 각 기법을 따로 평가해왔다. 개방형 프레임워크 LASAGNA를 활용해 8개 벤치마크와 5K~200K 문서 규모 코퍼스에서 450개 구성을 테스트했다. 개별적으로 강한 검색 기법 3개는 +47% 성능 향상을 예측했으나, 함께 사용하면 +17%만 달성해 조합 시 성능 이득이 감소했다. 전체 요약 6문장 읽기 → 003 18:11 ▲ 155 · 댓글 3 기초 모델에 메모리 능력을 내장한 MemT-1.0 공개 메모리를 모델 계산의 일부로 내재화하는 메모리 네이티브 기초 모델 MemT-1.0을 소개한다. AI · 머신러닝 · MemT-1.0: Towards Memory-Native Evolution
Key Point 장기 컨텍스트 처리 시 메모리 효율과 추론 속도를 동시에 개선하는 아키텍처로, 외부 검색에 의존하지 않고 내부 메모리만으로 작동하는 모델의 가능성을 보여준다.
핵심 요약
메모리를 모델 계산의 일부로 내재화하는 메모리 네이티브 기초 모델 MemT-1.0을 소개한다. Metis를 기반으로 Gated DeltaNet-2 아키텍처를 채용하며, 턴마다 안정적인 토큰 수준 메모리 업데이트 메커니즘을 사용한다. 메모리 용량 확장을 위해 Mixture-of-Storage를 도입했다. 전체 요약 8문장 읽기 → 004 18:33 ▲ 18 · 댓글 2 시계열 예측에 뉴스 기반 사건 추론을 적용하는 SEER 모델 실제 시계열 데이터는 외부 사건과 구조적 변화에 의해 구동되는데, 기존 예측 방식은 과거 수치 데이터만으로는 충분하지 않다. AI · 머신러닝 · SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting
Key Point 시계열 예측에 뉴스 기반 외부 사건을 통합하는 새로운 방식이 기존 모델보다 성능이 우수하다는 것을 보여주므로, 금융·에너지·주식 등 변동성 큰 시계열을 다루는 개발자와 연구자에게 중요하다.
핵심 요약
실제 시계열 데이터는 외부 사건과 구조적 변화에 의해 구동되는데, 기존 예측 방식은 과거 수치 데이터만으로는 충분하지 않다. 언어 모델을 통해 외부 뉴스를 검색할 수 있지만, 표준 검색 증강 방식은 높은 노이즈, 신호 손실, 사건 영향에 대한 인과적 추론 능력 부족의 문제가 있다. SEER는 시계열 예측을 위해 사건 조건화를 동적으로 최적화하는 폐루프 프레임워크로, 예측 오류를 두 가지 피드백 메커니즘으로 변환한다. 전체 요약 7문장 읽기 → 005 03:11 ▲ 32 · 댓글 2 LLM의 데이터 최적화 능력을 측정하는 벤치마크 AutoDataBench 공개 기존 자동 연구(Auto-research) 벤치마크는 학습 프레임워크, 하이퍼파라미터, 컴퓨팅 예산, 데이터 등 여러 개선 요인이 섞여 있어 어떤 에이전트가 우수한 이유를 특정하기 어렵다. AI · 머신러닝 · AutoDataBench: A Data-centric Testbed for Accelerating Auto Research
Key Point 현재 AI 에이전트 벤치마크는 여러 변수가 얽혀 있어 어떤 기술이 실제로 성능을 올리는지 파악하기 어렵고, 이 논문은 데이터 최적화 능력만 순수하게 측정하는 방법론을 제시해 앞으로 자동 연구와 데이터 중심 AI 개발의 평가 방식에 영향을 미칠 수 있기 때문이다.
핵심 요약
기존 자동 연구(Auto-research) 벤치마크는 학습 프레임워크, 하이퍼파라미터, 컴퓨팅 예산, 데이터 등 여러 개선 요인이 섞여 있어 어떤 에이전트가 우수한 이유를 특정하기 어렵다. 이 논문은 '데이터 인텔리전스'(에이전트가 데이터를 이해·조작·개선하는 능력)에 초점을 맞춘 통제된 테스트베드 AutoDataBench를 제시한다. 데이터 진단·조직·구성이라는 개념적 틀로 세 가지 최적화 작업을 구성하고, 다른 변수들은 고정한 채 LLM의 데이터 개선 능력을 평가한다. 전체 요약 8문장 읽기 → 006 12:11 ▲ 53 · 댓글 2 에이전트 스킬을 기존 지식으로 최적화하는 RASO 기법 제안 에이전트 스킬은 주어진 환경에서 작업을 효과적으로 수행하도록 안내하는 재사용 가능한 자연어 도구로, 최근 다양한 도메인과 환경을 대상으로 많은 공개 스킬이 축적되고 있다. AI · 머신러닝 · Retrieval-Augmented Skill Optimization via Cross-Harness Adaptation
Key Point 수백만 개의 공개 스킬 자산을 활용해 에이전트 스킬 최적화 효율을 높이는 새로운 접근법을 제시하므로, AI 에이전트 개발 파이프라인의 비용 문제를 다루는 데 관심이 있는 개발자와 연구자에게 실질적이다.
핵심 요약
에이전트 스킬은 주어진 환경에서 작업을 효과적으로 수행하도록 안내하는 재사용 가능한 자연어 도구로, 최근 다양한 도메인과 환경을 대상으로 많은 공개 스킬이 축적되고 있다. 기존 스킬 최적화 방법은 수백만 개의 공개 스킬 지식을 활용하지 않고 비용이 많이 드는 에이전트 롤아웃을 통해서만 반복적으로 스킬을 개선해왔다. 연구진은 기존 스킬 데이터베이스를 사전 지식으로 활용하는 Retrieval-Augmented Skill Optimization(RASO)을 제안했다. 전체 요약 6문장 읽기 →