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
4건 · "학습 데이터 생성"조건 지우기 ×
001 12:11 ▲ 19 · 댓글 1 텍스트-이미지 생성 모델, 자동으로 자기 약점 찾아 학습한다 텍스트-이미지 생성 모델의 사후학습(post-training)을 자동화하는 APT(Agentic Post-Training) 프레임워크를 제안했다. AI · 머신러닝 · APT: Feedback-Driven Agentic Post-Training for Text-to-Image Generation
Key Point 수동 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 → 002 03:11 ▲ 32 · 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
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 → 003 15:11 ▲ 144 · 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
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 → 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
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 →