쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 10월 30일 (금)까지3636건
9건 · "자동 학습"조건 지우기 ×
001▲ 36 · 댓글 2AI 에이전트가 독립적으로 언어모델 학습, 인간 피드백으로 개선AI 에이전트가 자율적으로 언어모델을 학습하고 사용자 피드백으로 개선할 수 있는지 확인하는 RSI Arena 연구를 공개했다.AI · 머신러닝 · RSI Arena: Towards Recursive Self-Improvement with Human Feedback
Key PointAI 모델 개발 주도권이 인간에서 AI로 이동할 가능성을 보여주는 연구로, 인간 피드백이 자율 시스템에 어떻게 통합되는지 실증적으로 보여준다.
핵심 요약
- AI 에이전트가 자율적으로 언어모델을 학습하고 사용자 피드백으로 개선할 수 있는지 확인하는 RSI Arena 연구를 공개했다.
- 10개 프론티어 모델을 학습 에이전트로 사용해, 각각 1,000 GPU시간과 $300의 API 크레딧을 주고 6일간 독립적으로 데이터 선택·학습·체크포인트 선택을 하게 했다.
- 모든 10개 에이전트가 작동하는 어시스턴트를 만들었으며, GPT-6 Astra가 학습한 최강 모델은 12개 성능 벤치마크에서 기본 모델과 Instruct 버전의 중앙값 차이의 76%를 좁혔다.
전체 요약 8문장 읽기 →AI · 머신러닝 · Agentic World Action Models
Key Point로봇 조작 AI에서 시각 예측과 코드 기반 계획의 gap을 처음으로 메운 모델이며, 재사용 가능한 기술 라이브러리와 자동 학습 파이프라인을 제시해 실제 로봇 시스템의 확장성을 높일 수 있는 방법을 제안한다.
핵심 요약
- 기존 세계 행동 모델(WAM)은 로봇 조작을 위한 시각적 예측은 제공하지만 기술을 재사용할 수 있는 명시적 메커니즘이 부족했다.
- 코드 기반 계획 로봇공학은 재사용 가능한 기술을 제공하지만 물리 역학의 예측 기반이 약해 현실과의 연결 고리가 약했다.
- 이를 해결하기 위해 AW-0이라는 에이전트형 세계 행동 모델을 제시했으며, 코드 기반 계획을 영상·행동 예측과 통합한다.
전체 요약 9문장 읽기 →AI · 머신러닝 · Athanor: An Agent-Native System for Autonomous Post-Training Research
Key Point현재의 AI 에이전트가 인간의 개입 없이 모델 개발 연구를 독립적으로 수행할 수 있음을 실증했으며, AI 시스템이 더 강력한 AI를 구축하는 자기 개선 경로의 현실적 가능성을 보여준다.
핵심 요약
- AI 에이전트가 인간의 개입 없이 소규모 기본 모델을 고급 모델로 학습시킬 수 있는지 검증하는 Athanor이라는 에이전트-네이티브 자동 학습 연구 시스템을 개발했다.
- 104시간 동안 Claude Opus 3.5 에이전트 4개가 각각 8개 GPU 노드에서 Qwen3-4B-Base 모델을 개선했으며, 어떤 연구 조언도 받지 않았다.
- 개발 테스트 6개 과제에서 모델 성능이 15.9에서 67.3으로, 공개되지 않은 홀드아웃 평가 세트에서는 9.2에서 48.2로 향상되었다.
전체 요약 8문장 읽기 →AI · 머신러닝 · APT: Feedback-Driven Agentic Post-Training for Text-to-Image Generation
Key Point수동 데이터 큐레이션 없이 모델 자체의 약점을 자동으로 식별해 학습하는 방식으로, 텍스트-이미지 생성의 품질 개선 파이프라인이 어떻게 근본적으로 바뀔 수 있는지 보여준다.
핵심 요약
- 텍스트-이미지 생성 모델의 사후학습(post-training)을 자동화하는 APT(Agentic Post-Training) 프레임워크를 제안했다.
- 기존 방식은 수동으로 큐레이션한 데이터와 고정된 학습 분포에 의존했으나, APT는 모델의 진화하는 역량에 맞춰 적응적으로 사후학습을 진행한다.
- 평가 세트 구성, 모델의 강점과 약점 진단, 강화학습 데이터 생성을 담당하는 3개 에이전트를 조율한다.
전체 요약 6문장 읽기 →AI · 머신러닝 · False Frontiers: Diagnosing and Mitigating Co-Cheating in Self-Evolving Search Agents
Key Point자기진화하는 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 →AI · 머신러닝 · Coding Agents for Generalized Task and Motion Planning Problems
Key Point로봇 계획 같은 복잡한 최적화 문제를 LLM 코딩 에이전트가 손코딩 기반 계획기를 능가하는 성능으로 해결할 수 있음을 대규모 실험으로 입증했으며, 특히 문제 규모가 커질수록 효율 우위가 두드러진다.
핵심 요약
- Task and Motion Planning(TAMP)은 이산 결정이 기하학·운동·동역학 제약과 밀접하게 연결되어 있어 어려운 문제이며, 기존 방법은 많은 도메인별 엔지니어링이 필요했다.
- 연구팀은 Claude Code(Opus 5)와 Codex(GPT-5.6 Sol, GPT-6 Astra)를 사용해 주어진 과제 설명과 시뮬레이터 접근권으로 프로그램을 합성하는 코딩 에이전트를 조사했다.
- 에이전트들은 고정된 예산 내에서 환경과 상호작용하며 프로그램을 개발한 후, 이를 검증 데이터셋에서 평가했다.
전체 요약 8문장 읽기 →AI · 머신러닝 · Dynamic Abliteration: Non-Destructive Refusal Suppression via Engram Steering
Key PointLLM의 안전장치를 영구 손상 없이 우회하는 기술이 공개됨에 따라 오픈 소스 모델의 거부 메커니즘 견고성 문제가 현실화되고 있다.
핵심 요약
- 기존 가중치 절제(weight abliteration)는 모델 가중치를 영구적으로 변경해 거부 방향을 제거하지만 비거부 작업 성능도 저하시킨다.
- 이 글은 Qwen3-4B 모델을 예로 PyTorch 포워드 훅으로 런타임 중간 잔차 스트림에 개입해 가중치는 완전히 고정한 채 거부 행동을 억제하는 동적 절제(Dynamic Abliteration) 기법을 제시한다.
- 단일 레이어 벡터 뺄셈은 다운스트림 레이어가 거부 행동을 재구성하므로 작동하지 않음을 시연했다.
전체 요약 10문장 읽기 →AI · 머신러닝 · Designer-RSI: Evolving Procedural Memory from User Traffic for Agentic Graphic Design
Key PointLLM 기반 에이전트가 노이즈 많은 실제 사용자 데이터로 자동 학습하면서 성능이 극적으로 개선되는 메커니즘이 새로운 접근이며, 그래픽 디자인 같은 모호한 작업에서 AI 능력의 한계를 확장하는 방식을 보여준다.
핵심 요약
- Claude 같은 고정된 언어모델이 230개 이상의 그래픽 디자인 도구를 다루면서, 자연어로 된 설계 절차를 자동으로 축적·개선하는 '절차 메모리' 프레임워크를 제시했다.
- 1,406건의 실제 사용자 요청과 1,869개의 자동 평가 궤적으로 5라운드 학습한 결과, 기초 스킬 76개에서 139개로 늘어났고 생성 품질이 72.7%에서 99.3%로 향상됐다.
- 메모리 확장(새 절차 습득)과 개선(기존 절차 수정)의 두 메커니즘을 함께 쓸 때 별도 적용보다 효과가 커서, 비숙련 에이전트 대비 58.5% 승률을 기록했다.
전체 요약 4문장 읽기 →오픈소스 · 도구 · ruvnet/RuView · Rust
Key Point프라이버시를 보장하면서 저비용 WiFi 센서로 생체신호를 측정할 수 있는 오픈소스 기술이 등장했으며, 기존 스마트홈 시스템과의 통합으로 실제 활용 가능성을 제시하고 있다.
핵심 요약
- WiFi 라우터의 신호 변화를 캡처해 카메라 없이 사람 감지, 호흡·심박수 측정, 움직임 추적을 수행하는 Rust 기반 오픈소스 플랫폼 RuView를 공개했다.
- ESP32(9달러 수준) 센서와 Channel State Information(CSI)를 이용해 벽을 통과한 신호를 분석하며, 8KB 크기의 양자화 모델로 라즈베리파이에서 마이크로초 단위로 처리된다.
- 수면 단계 분류, 낙상 감지, 제스처 인식 등 21개 센서 항목을 제공하고, Home Assistant, Apple Home, Google Home, Alexa 등 주요 스마트홈 생태계에 통합된다.
전체 요약 5문장 읽기 →