쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 10월 3일 (토)까지 1628건
5건 · "데이터 생성"조건 지우기 ×
001 03:11 ▲ 20 · 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
LLM의 데이터 최적화 능력을 측정하는 벤치마크 AutoDataBench 공개 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 → 002 15:11 ▲ 34 · 댓글 2 파일 기반 작업 에이전트 학습 데이터 자동 생성 프레임워크 GraphForge 현실적인 파일 기반 작업을 수행하는 에이전트를 학습시키려면 실제 파일을 포함한 검증 가능한 태스크가 필요하지만, 이런 데이터를 만드는 파이프라인은 거의 없다. AI · 머신러닝 · GraphForge: Training Working Agents with Graph-Anchored Workspace Synthesis
파일 기반 작업 에이전트 학습 데이터 자동 생성 프레임워크 GraphForge Key Point 실제 업무 시뮬레이션 기반 에이전트 학습 데이터를 자동으로 만드는 새로운 방법론으로, 에이전트 학습의 데이터 병목을 해소하는 실질적 솔루션을 제시한다.
핵심 요약
현실적인 파일 기반 작업을 수행하는 에이전트를 학습시키려면 실제 파일을 포함한 검증 가능한 태스크가 필요하지만, 이런 데이터를 만드는 파이프라인은 거의 없다. 기존 방식은 모델이 생성한 파일(현실성 부족) 또는 실제 파일 기반이지만 검증 방법이 없는 문제를 안고 있었다. GraphForge는 증거 그래프 기반 프레임워크로, 태스크와 검증을 모두 실제 파일에 고정시킨다. 전체 요약 9문장 읽기 → 003 12:11 ▲ 43 · 댓글 2 이미지 생성 AI로 GUI 상호작용 데이터 합성 GUI 에이전트 학습에는 소프트웨어 환경과의 상호작용 궤적이 필요하지만, 실제 앱을 설치·운영하면서 수집하는 방식은 비용이 많이 든다. AI · 머신러닝 · AutoGUIWorld: Image Generators as Visual World Models for GUI Agent
이미지 생성 AI로 GUI 상호작용 데이터 합성 Key Point GUI 에이전트 학습 비용을 획기적으로 줄일 수 있는 데이터 합성 방법이 실제 환경에서 성능 향상을 입증했기 때문이다.
핵심 요약
GUI 에이전트 학습에는 소프트웨어 환경과의 상호작용 궤적이 필요하지만, 실제 앱을 설치·운영하면서 수집하는 방식은 비용이 많이 든다. AutoGUIWorld는 이미지 생성 모델과 작업 계획기를 결합해 실제 환경을 배포하지 않고도 GUI 상호작용 데이터를 자동으로 생성하는 프레임워크다. 초기 GUI 화면을 운영체제 컨텍스트·시각적 모양·인터페이스 상태로 정의한 후, 조건부 작업을 생성한다. 전체 요약 7문장 읽기 → 004 00:11 ▲ 11 · 댓글 2 AI가 AI 만든다...알리바바 '칭원' 플래너 에이전트 공개 알리바바의 Qwen-Planner-Agent는 AI가 자신의 개발에 참여하는 'AI-for-AI' 폐쇄 루프 프레임워크를 구현했다. AI · 머신러닝 · Qwen-Planner-Agent: A Closed-Loop AI-for-AI Framework for Real-World Mobile Planner Agents
AI가 AI 만든다...알리바바 '칭원' 플래너 에이전트 공개 Key Point 자율 에이전트 개발의 병목인 학습 데이터 생성과 실제 기기 비용 문제를 AI 자체가 해결하는 새로운 개발 패러다임을 제시하기 때문입니다.
핵심 요약
알리바바의 Qwen-Planner-Agent는 AI가 자신의 개발에 참여하는 'AI-for-AI' 폐쇄 루프 프레임워크를 구현했다. 모바일 플래닝이라는 복잡하고 장시간의 작업에서 에이전트의 신뢰성을 높이면서도 실제 기기 상호작용 비용을 줄이는 방식을 제시한다. 데이터 생성, 모델 학습, 배포를 통합하는 액션-피드백-검증 계약으로 세 단계를 연결한다. 전체 요약 8문장 읽기 → 005 21:11 ▲ 253 · 댓글 83 25줄의 파이썬으로 구현한 Jev Jev는 주어진 선택지에 대해 확률을 출력하는 분류 모델로, 로컬에서 실행되며 데이터를 외부로 보내지 않는다. AI · 머신러닝 · Jev in 25 Lines of Python
25줄의 파이썬으로 구현한 Jev Key Point 로컬 LLM만으로 프롬프트 기반 분류를 확률값으로 변환하는 간단한 방법을 제시하므로, 프라이빗한 분류 작업이 필요한 개발자에게 실용적이다.
핵심 요약
Jev는 주어진 선택지에 대해 확률을 출력하는 분류 모델로, 로컬에서 실행되며 데이터를 외부로 보내지 않는다. 저자는 Qwen3-0.6B 모델을 로드하고 선택지의 로짓값을 계산한 후 소프트맥스를 적용해 확률을 도출하는 방식으로 Jev를 구현했다. 합성 데이터 생성, API 호출, 강화학습 기반 캘리브레이션 등 복잡한 방법 없이도 기본 확률 계산만으로 Jev를 구현할 수 있음을 보여준다. 
