쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 10월 30일 (금)까지3647건
3건 · "학습 안정성"조건 지우기 ×
001▲ 19 · 댓글 2에이전트 학습의 전체 시스템 개선, WEFT 프레임워크 제시도구 사용 능력을 갖춘 AI 에이전트 학습을 위한 WEFT 프레임워크를 제안했다.AI · 머신러닝 · WEFT: Scaling Tool-Use Post-Training for General-Purpose Agents
Key Point환경 확장만으로는 부족하다는 기존 접근의 한계를 지적하고, 에이전트 시스템 전체를 함께 개선하는 방식이 성능 향상에 실질적 영향을 미친다는 점을 실증한다.
핵심 요약
- 도구 사용 능력을 갖춘 AI 에이전트 학습을 위한 WEFT 프레임워크를 제안했다.
- 기존 방식은 환경만 확장했지만, WEFT는 환경·태스크·상호작용 다양성을 함께 키운다.
- 실행 중 발생한 실패를 추적하고 상태 증거를 이용해 문제 컴포넌트를 자동 수정하는 자진 진화 방식을 도입했다.
전체 요약 7문장 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 · StableVQ: Practical Guidelines for Stable Vector-Quantized Tokenizer Training
Key Point이미지 생성 모델의 핵심 컴포넌트인 벡터 양자화의 학습 불안정성을 해결하는 실무적 방법론을 제시하므로, 생성형 AI 모델 개발자와 연구자에게 즉시 적용 가능한 지침을 제공한다.
핵심 요약
- 자동회귀 및 마스킹 이미지 생성 모델의 기초가 되는 벡터 양자화(VQ) 토크나이저는 학습 과정이 불안정하다는 문제를 지적했다.
- 인코더-디코더와 코드북 학습이 얽혀 있어 두 모듈이 협력할 때만 작동하므로, 학습이 가중될수록 붕괴되는 취약함이 있다.
- StableVQ는 동적 STE를 통해 인코더의 학습 목표를 안정화하고, 리전 VQ 손실로 코드북이 독립적으로 전체 추적을 보장하며, 분리된 스케줄로 각 모듈이 별도의 학습률을 갖도록 한다.
전체 요약 5문장 읽기 →