쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 6일 (금)까지 4051건
12건 · "Chain-of-Thought"조건 지우기 ×
001 00:11 ▲ 11 · 댓글 1 추론과 도구 사용을 동시에, 생성 효율 6.8배 높인 기법 LLM 기반 에이전트 시스템에서 Chain-of-Thought 추론을 사용할 때 명시적 추론 과정의 생성 오버헤드가 문제가 되고 있다. AI · 머신러닝 · TAC-CoT: Tool-Empowered Implicit Chain-of-Thought via Interleaving Explicit Tokens
Key Point LLM 에이전트의 성능과 효율을 동시에 개선하는 기술로, 복잡한 추론이 필요한 실무 시스템에서 배포 비용과 응답 속도 문제를 해결할 수 있다.
핵심 요약
LLM 기반 에이전트 시스템에서 Chain-of-Thought 추론을 사용할 때 명시적 추론 과정의 생성 오버헤드가 문제가 되고 있다. 기존 암시적 CoT는 생각을 압축된 연속 토큰으로 대체하지만 도구 호출 같은 명시적 통신 인터페이스를 지원하지 못한다. 연구팀이 제안한 TAC-CoT는 명시적 추론 흔적을 압축된 잠재 추론 세그먼트로 바꾸면서 도구 호출, 관찰 결과, 최종 답변만 텍스트로 유지한다. 전체 요약 6문장 읽기 → 002 00:11 ▲ 10 · 댓글 1 자율주행 VLA 모델 AUGUstus, CoT와 확산 생성 통합으로 저지연 구현 기존 Vision-Language-Action(VLA) 모델은 두 가지 문제를 가짐: 저지연을 위해 회귀·흐름 기반으로 행동만 생성하면 안전성이 떨어지고, 자동회귀 방식으로 chain-of-thought(CoT)까지 생성하면 지연이 커짐. AI · 머신러닝 · AUGUstus: Autonomous Driving VLA Model with Unified Generation and Understanding
Key Point 자율주행 AI는 지연과 안전성의 트레이드오프를 풀어야 하는데, AUGUstus가 CoT 감독과 저지연 추론을 동시에 구현한 실용적인 해법을 보여주고 있으며 실제 차량 배포까지 달성했습니다.
핵심 요약
기존 Vision-Language-Action(VLA) 모델은 두 가지 문제를 가짐: 저지연을 위해 회귀·흐름 기반으로 행동만 생성하면 안전성이 떨어지고, 자동회귀 방식으로 chain-of-thought(CoT)까지 생성하면 지연이 커짐. AUGUstus는 확산 기반 행동 생성과 자동회귀 CoT 이해를 하나의 모델로 통합하되, CoT는 행동 생성만 돕도록 설계함. 행동을 먼저 생성하고 CoT로 감독하는 구조로, 훈련 때는 CoT 감독을 활용하되 추론 때는 행동 출력만 필요해 저지연을 달성함. 전체 요약 8문장 읽기 → 003 15:11 ▲ 18 · 댓글 2 시각 모델도 '다각도로 생각한다'…공간 추론 학습법 제시 인간이 공간 문제를 풀 때 머리 속으로 여러 시점에서 장면을 재구성하는데, 현재의 대규모 비전-언어 모델(LVLM)은 이런 능력이 부족하다. AI · 머신러닝 · SpatialASM: Internalizing Active Mentalization for Spatial Reasoning
Key Point 거대 비전-언어 모델이 공간 추론 시 인간처럼 다각도 사고를 할 수 있도록 만드는 실질적인 학습 방법론을 제시해 모델 기반 시각 이해의 한계를 구체적으로 개선한다.
핵심 요약
인간이 공간 문제를 풀 때 머리 속으로 여러 시점에서 장면을 재구성하는데, 현재의 대규모 비전-언어 모델(LVLM)은 이런 능력이 부족하다. 연구팀은 이를 '능동적 공간 심상화(Active Spatial Mentalization, ASM)'라 정의하고, LVLM에 이 능력을 내재화하는 SpatialASM 프레임워크를 제시했다. SpatialASM은 학습 단계에서 시뮬레이션된 다양한 시점으로 학습하며, 할로센트릭(allocentric) 뷰 생성 모델을 사용해 가설적 시점을 실제 시각 데이터에 근거하게 한다. 전체 요약 6문장 읽기 → 004 18:33 ▲ 11 · 댓글 2 LLM의 생각과 말이 일치하는지 측정하고 개선하기 Chain-of-thought(CoT) 추적은 LLM이 답에 도달하는 과정을 보여주는 것으로 여겨지지만, 실제로는 모델의 내부 계산을 제대로 반영하지 못하고 최종 답에 영향 없이 변경될 수 있다. AI · 머신러닝 · Making LLMs Say What They Think: Measuring and Improving CoT-Interpretability Alignment
Key Point LLM이 CoT로 설명하는 추론이 실제 내부 계산과 일치하지 않을 수 있다는 문제를 직접 측정하고 해결하는 방법을 제시하기 때문에, 모델 신뢰성과 해석 가능성을 중시하는 개발자와 연구자가 반드시 알아야 한다.
핵심 요약
Chain-of-thought(CoT) 추적은 LLM이 답에 도달하는 과정을 보여주는 것으로 여겨지지만, 실제로는 모델의 내부 계산을 제대로 반영하지 못하고 최종 답에 영향 없이 변경될 수 있다. 연구진은 CoT가 설명하는 추론과 해석 도구로 감지한 실제 내부 추론 전략 간의 일치도를 측정하는 CIA(CoT-Interpretability Alignment) 지표를 제안했다. 3개 LLM으로 두 단계 질문 응답, 힌트 개입, 정수 곱셈 3개 작업에서 CIA를 평가한 결과, 모든 작업에서 제한된 일치도(44.8-75.9%)를 보였다. 전체 요약 6문장 읽기 → 005 09:11 ▲ 13 · 댓글 2 효율 학습이 추론의 투명성을 항상 해치지는 않는다 Chain-of-Thought(CoT) 추론을 짧게 만드는 효율 학습 방식이 모델의 투명성에 미치는 영향을 실증적으로 분석한 연구다. AI · 머신러닝 · Efficient Reasoning Training Does Not Always Harm CoT Faithfulness and Monitorability
Key Point 대규모 언어모델의 투명성을 보장하면서도 추론 비용을 줄이는 방법의 실제 효과를 처음으로 체계적으로 검증한 연구로, LLM 배포 시 신뢰성과 효율성의 트레이드오프를 이해하는 데 필수적인 근거를 제공한다.
핵심 요약
Chain-of-Thought(CoT) 추론을 짧게 만드는 효율 학습 방식이 모델의 투명성에 미치는 영향을 실증적으로 분석한 연구다. 연구팀은 생성 예산 고정, 문장별 길이 목표, 상대적 길이 보상 세 가지 방식으로 길이 압력을 적용해 여러 모델을 미세조정했다. CoT 충실성(추론이 모델의 실제 의사결정을 얼마나 정확히 반영하는지)과 모니터링 가능성(입력 변화를 감지할 수 있는지)을 평가했다. 전체 요약 6문장 읽기 → 006 06:11 ▲ 14 · 댓글 2 이미지 생성으로 추론하기, 멀티모달 LLM 성능 25% 향상 Chain-of-thought 추론은 LLM이 문제를 중간 단계로 분해해 답하도록 하며 자연어 처리를 혁신했지만, 시각 표현의 직접 조작이 필요한 작업에서는 한계를 보인다. AI · 머신러닝 · Reasoning with Image Generation
Key Point 이미지 생성을 추론 도구로 활용해 멀티모달 LLM 성능을 크게 개선하는 방식을 제시하며, 비전 작업의 새로운 접근법을 보여준다.
핵심 요약
Chain-of-thought 추론은 LLM이 문제를 중간 단계로 분해해 답하도록 하며 자연어 처리를 혁신했지만, 시각 표현의 직접 조작이 필요한 작업에서는 한계를 보인다. 기존 멀티모달 LLM은 깊이 추정·객체 탐지 같은 고정된 좁은 기능의 외부 시각 도구에 의존하며, 이들은 유연하게 시각 콘텐츠를 생성하거나 변환할 수 없다. 연구팀이 제안한 ReImaGin은 이미지 생성 모델을 멀티모달 LLM의 유연한 시각 추론 메커니즘으로 활용하는데, 고정 기능 도구와 달리 자연어 명령을 받아 오클루전 제거나 여러 시점에서 실내 평면도 생성 등 개방형 시각 작업을 수행한다. 전체 요약 4문장 읽기 → 007 15:11 ▲ 18 · 댓글 2 멀티뷰 학습으로 공간 추론 강화한 SpatialSpeak 공개 비전-언어 모델(VLM)이 다중 관점 공간 추론을 위해 기하학적 사전 정보를 활용하지만, 기존 답 위주의 학습은 중간의 기하학적 추정과 정량적 공간 답 도출 과정을 직접 감독하지 않는다. AI · 머신러닝 · SpatialSpeak: QA-Native Reconstruction with Local and Global Context for Spatial Chain-of-Thought Reasoning
Key Point 비전-언어 모델의 공간 추론 능력을 크게 향상하는 새로운 학습 방식이 제시되었으며, 멀티뷰 재구성과 사고의 흐름 학습을 결합한 접근법이 기하학적 이해와 답 도출 과정 모두를 강화한다.
핵심 요약
비전-언어 모델(VLM)이 다중 관점 공간 추론을 위해 기하학적 사전 정보를 활용하지만, 기존 답 위주의 학습은 중간의 기하학적 추정과 정량적 공간 답 도출 과정을 직접 감독하지 않는다. 연구팀은 VLM이 멀티뷰 재구성을 통해 국소 기하학과 전역 장면 맥락을 함께 학습할 때 공간 사고의 흐름(CoT) 감독이 더 효과적이라고 가정했다. SpatialSpeak은 두 단계 프레임워크로, 1단계(QA-Native Reconstruction Pretraining, QA-RP)에서 표시된 점 기반 3D 쿼리로 세밀한 국소 기하학을 학습하고 객체 중심 쿼리로 전역 장면 맥락을 학습한다. 전체 요약 8문장 읽기 → 008 21:11 ▲ 102 · 댓글 42 LLM으로 Jev 수준의 고속 의사결정 모델 구축하기 GLM-5.3-Flash를 프롬프트 엔지니어링으로 한 번의 forward pass에서 타입화된 의사결정을 내도록 개선했으며, 전문 의사결정 모델 Jev와 동등한 정확도를 달성했다. AI · 머신러닝 · Turning GLM-5.3-Flash into a Jev-like decision model
Key Point 일반 LLM을 구조화된 의사결정 모델로 탈바꿈시키는 프롬프트 기법이 전문 의사결정 모델과 실무 성능에서 동등하다는 것을 보여주므로, 고도량 의사결정 시스템 구축 시 모델 선택지와 비용-성능 트레이드오프 판단에 실질적 참고가 될 수 있다.
핵심 요약
GLM-5.3-Flash를 프롬프트 엔지니어링으로 한 번의 forward pass에서 타입화된 의사결정을 내도록 개선했으며, 전문 의사결정 모델 Jev와 동등한 정확도를 달성했다. 기본 아이디어는 LLM의 확률 분포에서 옵션별 확률을 직접 읽는 것이다. 숫자로 인덱싱된 옵션 목록을 JSON으로 제시하고 프롬프트를 'choice_index:'로 끝내면, 모델이 첫 토큰에서 내놓는 확률 분포가 각 옵션의 신뢰도가 된다. 29개 공개 데이터셋(2~151개 옵션, 의도 라우팅·감정 분석·법률 문서 등 포함)을 벤치마킹한 결과, GLM-5.3-Flash와 Jev의 정확도 차이는 중앙값 0.7 포인트로 통계적으로 유의미하지 않았다. 전체 요약 12문장 읽기 → 009 21:11 ▲ 10 · 댓글 1 80B 파라미터지만 13B만 쓰는 혼연 AI, 오픈소스 공개 혼연(Hunyuan)이 80억 개 파라미터 중 추론 시 13억 개만 활성화하는 혼합 전문가(MoE) 구조의 대규모 언어모델 Hunyuan-A13B를 오픈소스로 공개했다. AI · 머신러닝 · Hunyuan-A13B Technical Report
Key Point MoE 구조로 큰 모델의 성능을 유지하면서 추론 비용을 대폭 줄였으므로, 제한된 리소스 환경에서 강력한 LLM을 배포하려는 개발자와 조직에 직접적인 대안이 된다.
핵심 요약
혼연(Hunyuan)이 80억 개 파라미터 중 추론 시 13억 개만 활성화하는 혼합 전문가(MoE) 구조의 대규모 언어모델 Hunyuan-A13B를 오픈소스로 공개했다. 모델은 20조 개 토큰으로 사전학습되었으며, STEM 데이터를 강화해 사실 정확성과 추론 능력을 개선했다. 고품질 지도학습 미세조정과 대규모 강화학습으로 성능을 더욱 끌어올렸다. 전체 요약 6문장 읽기 → 010 22:26 ▲ 15 · 댓글 2 최신 언어 모델의 숨겨진 사고 과정 추출 및 분석 최신형 언어 모델의 성능 향상이 추론 능력 개선 때문인지 검증하려면, 폐쇄형 시스템의 CoT(Chain-of-Thought) 추적을 관찰해야 하는데 현재 접근 불가능하다. AI · 머신러닝 · Capable yet Parsimonious: Extracting and Characterizing Hidden Chain-of-Thought in Frontier Models
Key Point 폐쇄형 모델의 내부 추론 메커니즘이 어떻게 동작하는지 처음 체계적으로 들여다본 연구로, 모델의 성능 향상이 실제 추론 능력 증대인지 판단할 수 있는 근거를 제시한다.
핵심 요약
최신형 언어 모델의 성능 향상이 추론 능력 개선 때문인지 검증하려면, 폐쇄형 시스템의 CoT(Chain-of-Thought) 추적을 관찰해야 하는데 현재 접근 불가능하다. 연구팀은 표준 API의 커스텀 도구 등록 기능을 이용해 GPT-4o Astra 등 최신 모델들이 중간 추론 과정을 외부화하도록 유도했다. 추출된 추론을 오픈소스 모델의 기본 CoT와 비교해 진정한 추론인지 사후 정당화인지 검증하고, 경쟁 수학·과학·코드 생성 작업에서 평가했다. 전체 요약 7문장 읽기 → 011 22:29 ▲ 47 · 댓글 4 현실 상호작용으로 배우는 공간 추론, VLM의 약점을 잡다 시각-언어 모델(VLM)이 물리 세계에서 행동하려면 동적 환경에서 물체의 움직임과 시점 변화로 인한 국지적 상태 전이를 감지하고 이를 장기 궤적에 걸쳐 통합해 공간 상태를 유지해야 한다. AI · 머신러닝 · Spatial-Interactor: Learning Spatial Reasoning through Interaction with the Observable Physical World
Key Point VLM이 로봇·자율주행·구체화 AI 등 현실 세계 상호작용이 필요한 분야에서 공간 추론 능력을 크게 제약받고 있으며, 상호작용 궤적이라는 자연스러운 감독 신호를 활용해 이를 체계적으로 해결하는 방법을 제시한다.
핵심 요약
시각-언어 모델(VLM)이 물리 세계에서 행동하려면 동적 환경에서 물체의 움직임과 시점 변화로 인한 국지적 상태 전이를 감지하고 이를 장기 궤적에 걸쳐 통합해 공간 상태를 유지해야 한다. 기존 VLM 훈련은 객체 속성과 공간 관계의 정적 질문에 집중해 상태 전이에 대한 직접적 감독이 부족하지만, 상호작용 궤적은 선행 관찰·행동·후속 관찰을 자연스럽게 연결해 국지적 상태 전이에 대한 직접 감독을 제공한다. 연구진은 VLM이 상호작용을 통해 물리 세계의 상태 전이를 모델링하도록 훈련하는 Spatial-Interactor 프레임워크를 제안했으며, L1 수동적 세계 상태 전이, L2 능동적 자기 상태 전이, L3 장기 상호작용 궤적으로 구성된 3단계 커리큘럼으로 학습 과정을 조직화했다. 전체 요약 6문장 읽기 → 012 22:29 ▲ 102 · 댓글 62 Inception의 Mercury 2.5, 초당 770토큰 생성 속도로 가성비 모델 등장 Inception이 개발한 Mercury 2.5는 2026년 9월에 출시된 프로프라이어터리 추론 모델이다. AI · 머신러닝 · Mercury 2.5 LLM hits 770 tokens per second
Key Point 초당 770토큰 생성이라는 초고속 처리 속도를 비용 효율적인 가격으로 제공해, 지연시간이 중요한 실시간 애플리케이션 개발자들이 선택할 만한 새로운 옵션이 되었다.
핵심 요약
Inception이 개발한 Mercury 2.5는 2026년 9월에 출시된 프로프라이어터리 추론 모델이다. 초당 770.4토큰 생성 속도를 제공하며, 동일 가격대 추론 모델 중앙값(111.6토큰/초)을 훨씬 상회한다. 입출력 가격은 각각 $0.25, $0.75/백만토큰으로, 중앙값 $0.92 출력가보다 낮아 가성비가 좋다. 전체 요약 9문장 읽기 → 
