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 3636건
4건 · "맥락 관리"조건 지우기 ×
001 18:30 ▲ 34 · 댓글 2 LLM 에이전트의 작업 추적 문제, '런닝탭'으로 해결 LLM 에이전트는 작업공간의 파일들을 검색·열람하여 새로운 결과물을 만드는 직접 작업공간 상호작용(DWI)을 수행하기 시작했다. AI · 머신러닝 · RunningTab: Direct Workspace Interaction with Environment-Side Tabs
Key Point LLM 에이전트가 복잡한 작업을 수행할 때 맥락 손실로 인한 정보 누락 문제를 체계적으로 해결하는 방법을 제시하므로, 에이전트 기반 자동화 시스템 설계자들이 알아야 한다.
핵심 요약
LLM 에이전트는 작업공간의 파일들을 검색·열람하여 새로운 결과물을 만드는 직접 작업공간 상호작용(DWI)을 수행하기 시작했다. 하지만 현재 방식에서는 에이전트가 무엇을 읽었는지, 어떤 파일을 열지 않았는지, 작업이 무엇을 요구하는지 추적되지 않아 필요한 내용을 빠뜨린 채 결과물을 만들 수 있다. RunningTab은 환경 측에서 관리하는 탭으로 작업당 요구사항, 읽은 파일 목록(출처 포함), 미열람 파일 후보를 기록한다. 전체 요약 7문장 읽기 → 002 21:11 ▲ 47 · 댓글 1 장시간 영상 생성 모델에 공간 기억 지능 더하다 장시간 영상 생성과 월드 모델은 사용자 행동과 과거 기억을 바탕으로 미래 관측치를 예측해 상호작용 가능한 엔터테인먼트와 embodied simulation을 실현했으나, 메모리 길이가 길어지고 구조가 복잡해질수록 장거리 공간 맥락 관리가 어려워진다. AI · 머신러닝 · Spatial Memory Intelligence: Endowing World Models with Understanding-Driven Long-Term Memory
Key Point MLLM의 공간 이해 능력을 처음으로 체계적으로 메모리 관리에 적용해 장시간 영상 생성의 근본적인 한계를 푸는 새로운 접근이다.
핵심 요약
장시간 영상 생성과 월드 모델은 사용자 행동과 과거 기억을 바탕으로 미래 관측치를 예측해 상호작용 가능한 엔터테인먼트와 embodied simulation을 실현했으나, 메모리 길이가 길어지고 구조가 복잡해질수록 장거리 공간 맥락 관리가 어려워진다. Spatial Memory Intelligence(SMI)는 다중모드 대규모 언어 모델(MLLM)의 공간 추론 능력을 활용해 장시간 영상 월드 모델의 메모리 관리를 체계화한 첫 프레임워크다. SMI는 공간 클러스터링, 클러스터 내 스파시피케이션, 행동 기반 검색, 신뢰도 기반 필터링 4개의 조정된 원자 연산을 도입한다. 전체 요약 4문장 읽기 → 003 15:11 ▲ 82 · 댓글 3 장기 작업 수행하는 AI 에이전트, 명시적 신념 상태로 더 정확해진다 LLM 기반 에이전트가 복잡한 작업을 수행할 때 상호작용 이력을 단순히 메모리에 저장하는 것만으로는 현재 세계 상태를 일관되게 이해하기 어렵다. AI · 머신러닝 · Beyond Memory: Harnessing Long-Horizon Agents with Explicit Belief States
Key Point LLM 에이전트의 장기 작업 수행 능력을 크게 향상시키는 새로운 접근법으로, 기존 메모리 기반 방식의 한계를 구체적으로 해결하고 실제 성능 개선을 입증했습니다.
핵심 요약
LLM 기반 에이전트가 복잡한 작업을 수행할 때 상호작용 이력을 단순히 메모리에 저장하는 것만으로는 현재 세계 상태를 일관되게 이해하기 어렵다. 새로운 프레임워크 PoS는 추론 과정에서 명시적 신념 상태(explicit belief states)를 구성하고 지속적으로 유지한다. 각 신념은 현재 세계 상태 추정치와 해결되지 않은 작업 요구사항을 결합하여, 에이전트가 여전히 학습해야 할 것과 달성해야 할 것을 명확히 한다. 전체 요약 8문장 읽기 → 004 00:11 ▲ 27 · 댓글 2 모델이 자기 맥락을 관리하는 CLM 제안 언어 모델이 자신의 맥락을 파일처럼 다루며 자유롭게 업데이트하도록 하는 Context Language Models(CLMs)를 제안했다. AI · 머신러닝 · Context Language Models
Key Point LLM의 장문맥 처리 방식을 근본적으로 바꾸는 접근법으로, 맥락 관리 오버헤드를 줄이면서 멀티에이전트 시스템 구현도 용이하게 한다.
핵심 요약
언어 모델이 자신의 맥락을 파일처럼 다루며 자유롭게 업데이트하도록 하는 Context Language Models(CLMs)를 제안했다. CLM은 맥락에서 유지할 정보를 학습하고, 여러 에이전트의 맥락이 파일로 공존하는 멀티에이전트 시스템으로 자연스럽게 확장된다. 기존 모델로 제로샷 구축한 CLM은 여러 벤치마크에서 기존 최고 성능 대비 우수한 결과를 냈다: BrowseComp-Plus에서 11.4% 높은 정확도에 21.5% 적은 연산량, 12시간 EdgeBench에서 5% 높은 점수에 59% 적은 연산량. 전체 요약 7문장 읽기 → 
