쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 16일 (월)까지 4683건
4건 · "자율 학습"조건 지우기 ×
001 12:54 ▲ 101 · 댓글 44 혼합 전문가 모델 인클링 2 스몰 공개 싱킹머신즈(Thinking Machines)가 594B 파라미터(활성 17B)의 혼합 전문가 모델 인클링 2 스몰을 발표했으며, 이미지 입력과 가변 계산 노력을 지원한다. AI · 머신러닝 · Inkling 2 Small
Key Point 오픈 가중치 공개가 임박한 최신 혼합 전문자 모델로 코딩·추론·금융 작업에서 경쟁 모델을 앞서며, 자율 학습으로 모델 개선을 입증했기 때문이다.
핵심 요약
싱킹머신즈(Thinking Machines)가 594B 파라미터(활성 17B)의 혼합 전문가 모델 인클링 2 스몰을 발표했으며, 이미지 입력과 가변 계산 노력을 지원한다. 인공 분석 인텔리전스 인덱스에서 31점을 기록해 이전 세대 모델 대비 에이전트 코딩, 비전, 지식 작업, 추론 영역에서 성능이 향상됐다. 모델은 현재 틴커(Tinker)를 통해 폐쇄 가중치로 제공되며, 외부 안전 테스트와 레드팀 완료 후 다음 주 Apache 2.0 라이선스로 전체 가중치를 공개할 예정이다. 전체 요약 12문장 읽기 → 002 00:11 ▲ 12 · 댓글 2 다양한 장면에 강한 자율 학습 깊이 추정 기법 MaSS 자율 학습으로 단안 깊이 추정을 수행하려면 라벨 없는 대규모 데이터를 활용할 수 있지만, 기존 방법들은 다양한 장면의 혼합 데이터로 학습할 때 성능이 떨어진다. AI · 머신러닝 · Learning to Discriminate Scene Structures Makes Self-Supervised Depth Learning Scalable
Key Point 자율 학습 깊이 추정이 다양한 현실 데이터에서 제대로 작동하려면, 도메인별 편향을 넘어 일반화된 구조 학습이 필수적이기 때문이다.
핵심 요약
자율 학습으로 단안 깊이 추정을 수행하려면 라벨 없는 대규모 데이터를 활용할 수 있지만, 기존 방법들은 다양한 장면의 혼합 데이터로 학습할 때 성능이 떨어진다. 연구진은 자율 학습 상황에서 모델이 전이 가능한 기하학 대신 데이터셋별 구조적 편향을 학습하면서 도메인 간 최적화 충돌이 발생하는 문제를 발견했다. 이를 해결하기 위해 MaSS 프레임워크를 제안하며, 맥락 특징과 명시적으로 분리된 전용 구조 표현 경로를 도입한다. 전체 요약 7문장 읽기 → 003 15:11 ▲ 286 · 댓글 3 VLM이 로봇을 직접 코딩하다, HexaShell의 도전과 한계 비전 언어 모델(VLM) 기반 에이전트가 로봇 조종에서 학습된 정책과 경쟁할 수 있는 수준에 도달했으며, 연구팀은 코딩 에이전트가 로봇을 제어할 때 어디까지 갈 수 있는지 검증하는 HexaShell 시스템을 개발했다. AI · 머신러닝 · HexaShell: A Thin Harness for Exploring the Limits of VLM Agents as Robot Coding Agents
Key Point 로봇 조종을 위한 VLM 에이전트가 시각 기반 자율 학습으로 최고 성능을 달성했으나, 정밀한 접촉 제어에서 근본적인 한계를 드러내며 향후 로봇 AI 개발의 방향을 제시한다.
핵심 요약
비전 언어 모델(VLM) 기반 에이전트가 로봇 조종에서 학습된 정책과 경쟁할 수 있는 수준에 도달했으며, 연구팀은 코딩 에이전트가 로봇을 제어할 때 어디까지 갈 수 있는지 검증하는 HexaShell 시스템을 개발했다. HexaShell은 최소한의 인터페이스를 유지하며 에이전트의 명령을 로봇 동작으로만 변환하고, 양팔 로봇을 단일 명령줄로 구동하며 RGB 카메라 3개와 카메라 캘리브레이션 정보를 제공한다. 실패 후 에이전트는 로그를 읽고 원인을 파악한 뒤 작은 프로그램(도구)을 작성하거나 수정하며, 이렇게 학습한 내용을 코드로 유지한다. 전체 요약 10문장 읽기 → 004 15:11 ▲ 18 · 댓글 1 로봇이 경험 쌓아 스스로 진화하는 기초모델 프레임워크 기초모델을 단일 정책으로 보지 않고, 전체 시스템 자체를 진화하는 정책으로 취급하는 RoboFoundry를 제시한다. 기타 · RoboFoundry: System-as-Policy Evolution for Self-Learning Embodied Agents
Key Point 기초모델이 단순히 에이전트로 동작하는 것을 넘어 실행 경험으로부터 시스템 자체를 자동으로 개선할 수 있는 구조를 제시하는 것이 중요하며, 서로 다른 로봇 간 기능 전이가 가능해 구현의 실용성이 크게 높아진다. ai
핵심 요약
기초모델을 단일 정책으로 보지 않고, 전체 시스템 자체를 진화하는 정책으로 취급하는 RoboFoundry를 제시한다. 메모리 관리·문맥 처리·기술 조직·행동 인터페이스 등 에이전트 스택의 개별 요소들을 최적화하는 기존 방식과 달리, 실행 경험을 검증된 시스템 변화로 변환해 지속적으로 개선하는 방식이다. 맥락 시스템(활성 내부 문맥·파일시스템 메모리 관리)과 계층적 기술 시스템(원자적 기술·재사용 가능한 조합·실패 조건부 복구)이라는 두 가지 진화 표면을 갖추고 있다. 전체 요약 7문장 읽기 →