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
5건 · "다중 턴 상호작용"조건 지우기 ×
001 15:11 ▲ 40 · 댓글 4 스트리밍 비디오 LLM을 사용자와 상호작용하게 만들다 기존 스트리밍 비디오 LLM은 세계를 지속적으로 관찰하지만 사용자 요청을 고립되게 처리하는 한계가 있다. AI · 머신러닝 · ALIVE: Making Streaming Video Models Interactive
Key Point 실시간 비디오 AI가 사용자와 양방향으로 상호작용하며 질문하고 조정할 수 있게 되면, 감시·모니터링·실시간 지원 같은 응용 분야의 자율성이 크게 높아진다.
핵심 요약
기존 스트리밍 비디오 LLM은 세계를 지속적으로 관찰하지만 사용자 요청을 고립되게 처리하는 한계가 있다. ALIVE는 능동적 모니터링, 스트리밍 작업 조율, 피드백 추구 상호작용을 지원하는 대화형 스트리밍 비디오 모델이다. ALIVE-SFT-288K와 ALIVE-RL-3K 두 가지 데이터셋을 구성해 2단계 학습을 진행했다. 전체 요약 6문장 읽기 → 002 12:11 ▲ 359 · 댓글 3 성공한 궤적도 학습 데이터로 부족한 이유 도구 사용 에이전트 학습에서 성공한 상호작용 궤적도 여러 단계의 의존성을 놓치거나 에이전트가 실제로 볼 수 없는 정보를 바탕으로 한 행동을 포함할 수 있다. AI · 머신러닝 · Trajectory2Gym: Decision-Grounded Compositional Interaction Synthesis for Tool-Use Agents
Key Point 기존에 성공한 상호작용만 학습 데이터로 사용하는 방식의 근본적 문제를 제시하고, 다단계 의존성과 결정 근거를 모두 만족하는 상호작용을 설계하는 방법을 제안하여 에이전트의 학습 효율을 크게 개선한다.
핵심 요약
도구 사용 에이전트 학습에서 성공한 상호작용 궤적도 여러 단계의 의존성을 놓치거나 에이전트가 실제로 볼 수 없는 정보를 바탕으로 한 행동을 포함할 수 있다. 효과적인 궤적 감독을 위해서는 중요한 관찰-행동 의존성이 모두 표현되는 구성 커버리지와 각 행동이 에이전트의 학습 가능한 상호작용 이력으로 정당화되는 결정 기반이라는 두 가지 조건이 필요하다. Trajectory2Gym은 지원이 부족한 구성 구조 주변에 실행 가능한 상호작용을 구성하고, 실제 실행에서 정당화된 결정들만을 감독 신호로 사용한다. 전체 요약 8문장 읽기 → 003 15:11 ▲ 20 · 댓글 2 에이전트 AI 추론을 위한 '히스토리 프리' 추측 디코딩 DLite 추측 디코딩은 경량 드래프트 모델로 토큰을 생성하고 타겟 모델이 검증하는 방식으로 LLM 추론을 가속화하는 기법이지만, 에이전트 AI 워크로드의 긴 맥락과 다중 턴 상호작용에서는 드래프트 모델의 토큰 승인률이 최대 80% 저하된다. AI · 머신러닝 · DLite: History-free Speculative Decoding for Agentic AI
Key Point 에이전트 AI 같은 긴 맥락의 상호작용형 워크로드에서 LLM 추론 속도를 크게 높일 수 있는 새로운 접근 방식을 제시합니다.
핵심 요약
추측 디코딩은 경량 드래프트 모델로 토큰을 생성하고 타겟 모델이 검증하는 방식으로 LLM 추론을 가속화하는 기법이지만, 에이전트 AI 워크로드의 긴 맥락과 다중 턴 상호작용에서는 드래프트 모델의 토큰 승인률이 최대 80% 저하된다. 기존 방식은 역사적 KV 캐시를 유지함에 따라 시스템 오버헤드가 커진다. 연구팀은 증가하는 역사적 맥락이 두 문제의 공통 원인임을 파악하고, DLite라는 '히스토리 프리' 추측 디코딩 프레임워크를 제안했다. 전체 요약 7문장 읽기 → 004 12:11 ▲ 129 · 댓글 2 원본 시스템 없이 언어 기반 환경 모의 실행 만드는 Trace2Env LLM 에이전트 학습·평가용 환경 모의 실행이 필요하지만, 원본 시스템 재구축은 불가능하거나 비현실적인 경우가 많다. AI · 머신러닝 · From Traces to Agentic Worlds: Agentic Language World Models for Interactive Environment Simulation
Key Point 원본 환경 없이 과거 기록만으로 현실적인 에이전트 학습 환경을 만들 수 있다면, 접근 불가능한 레거시 시스템이나 폐쇄된 플랫폼에서도 LLM 에이전트를 훈련할 수 있게 된다.
핵심 요약
LLM 에이전트 학습·평가용 환경 모의 실행이 필요하지만, 원본 시스템 재구축은 불가능하거나 비현실적인 경우가 많다. 기존 실행 환경을 재건하지 않고 언어 모델이 에이전트의 환경 역할을 하는 '에이전틱 언어 월드 모델링' 방식을 제시한다. Trace2Env는 원본 시스템의 과거 상호작용 기록(trace)만으로 학습 없이 환경을 재구성하는 무학습 프레임워크다. 전체 요약 8문장 읽기 → 005 12:11 ▲ 16 · 댓글 2 사용자가 마음을 바꾸면? LLM 에이전트의 의도 표류 문제 다중 턴 상호작용에서 사용자 의도가 변할 때 LLM 에이전트가 취소된 요구사항을 계속 따르는 '의도 표류' 현상을 분석했다. AI · 머신러닝 · When Users Change Their Minds: Measuring and Repairing Intent Drift in LLM Agents
Key Point LLM 에이전트가 실제 사용 환경에서 사용자가 요구를 수정할 때 기존 명령을 계속 따르는 실패 패턴을 체계적으로 측정하고 대응 방안을 제시했기 때문이다.
핵심 요약
다중 턴 상호작용에서 사용자 의도가 변할 때 LLM 에이전트가 취소된 요구사항을 계속 따르는 '의도 표류' 현상을 분석했다. 검증 가능한 작업을 의도 변화가 있는 대화로 변환하는 IntentFlux 벤치마크를 소개했고, 627개 사례에서 대화에 취소된 정보가 많을수록 평균 작업 점수가 0.476에서 0.384로 떨어진다. 8개 모델 모두에서 최종 작업을 진화하는 대화에서 복원해야 할 때 단일 턴 입력보다 완전히 올바른 해결책의 비율이 현저히 낮았다. 전체 요약 5문장 읽기 →