aintropy.ai

이 이메일 도메인이 관측된 논문 3건

arXiv:2610.09305v1cs.LG

Kuration SDK: 데이터 큐레이션을 통한 Virtual2Real 격차 해소

Kuration SDK: Addressing the Virtual2Real Gap via Data Curation

행동 조건부 월드 모델(action-conditioned world model)의 품질을 측정하기 위한 벤치마크는 시각적 유사도 기반 지표에서 행동 의미론적 및 물리 기반 지표로 계속 진화하고 전환되는 중이다. 그러나 도메인 및 작업에 구애받지 않는 행동 조건부 월드 모델 학습의 경우 기존 벤치마크는 제한된 신호만을 제공한다. 카운터스트라이크(CounterStrike) 게임플레이 데이터에서 확산 월드 모델을 학습하고 평가함으로써, 정성적인 플레이 가능성이 FVD, LPIPS, JEDi와 같은 지표와 일치하지 않음을 확인하였다. 저자들은 이를 Virtual2Real 격차(Virtual2Real gap)라고 부른다. 신뢰할 수 있는 벤치마크 대신 원시 게임플레이 데이터를 큐레이션하고 다양한 진단 속성을 측정하는 것이 학습이 시작되기도 전에 이러한 격차를 해소할 수 있는 더 강력한 신호를 제공한다고 가정한다. 본 논문에서는 여러 큐레이션 전략과 함께 본 논문과 함께 오픈소스로 공개되는 물리 AI 데이터 큐레이션을 위한 범용 키트인 Kuration SDK를 제시한다. 이 SDK는 동일한 게임플레이 맵, 행동 및 상태 분포에서 학습된 두 월드 모델이 매우 유사한 LPIPS 및 FVD 점수에도 불구하고 실제로 플레이했을 때 매우 다르게 동작한 특정 사례에서 Virtual2Real 격차의 근본 원인을 밝혀내는 데 중요한 역할을 했다. 따라서 Kuration SDK는 특정 데이터셋에서 Virtual2Real 격차의 근본 원인을 규명하고 샘플 효율적인 학습 데이터셋의 개발을 가속화할 잠재력을 지니고 있다.

arXiv:2610.09285v1cs.LG

LeCuration: 데이터 큐레이션 멀티툴로서의 소형 월드 모델

LeCuration: A Tiny World Model as a Data Curation Multi-Tool

물리 인공지능(physical AI)의 많은 응용 분야는 물체의 행동을 지배하는 물리 법칙이 제한된, 유한하거나 닫힌 물리적 세계 내에서 동작합니다. 창고에서 작업하는 로봇과 비디오 게임 내에서 움직이는 에이전트(agent)가 대표적인 예입니다. 물리 인공지능 응용 분야를 위해 데이터를 더 잘 정리, 필터링, 큐레이션하고자, 우리는 개별 데이터셋의 고유한 설정과 물리 법칙에 초점을 맞춘 새로운 접근 방식을 제안합니다. 우리는 별도의 더 큰 다운스트림 모델을 위한 데이터 큐레이션 도구로 활용되도록 고안된 소형 월드 모델인 LeCuration을 학습(training)합니다. 이 모델을 구축하기 위해 잠재 인코더 및 예측기로 LeWorldModel(LeWM)을 선택하고, 자기회귀적(autoregressive) 게임플레이 롤아웃(rollout)에 시각적 요소를 추가하기 위해 디퓨전 트랜스포머(DiT) 디코더를 추가합니다. 우리는 이 모델의 임베딩(embedding)이 이상치 탐지 신호 및 콘텐츠 기반 클러스터링 휴리스틱으로 사용될 수 있으며, 이 모델로 게임 상태를 자기회귀적으로 예측함으로써 행동-상태 일관성을 정성적으로 점검할 수 있음을 발견했습니다. 본 논문은 CS:GO 게임플레이 데이터에 대한 정성적 개념 증명 사례 연구를 제시하며, 핵심적인 다음 단계로 식별한 정량적 큐레이션 지표나 다운스트림 학습 결과는 아직 보고하지 않습니다.

arXiv:2609.23971v1cs.AI

UniK: 디지털 AI와 물리 AI를 위한 범용 지식 인식

UniK: Universal Knowledge Perception for Digital and Physical AI

조직의 운영 방식을 바꾸고 있는 두 가지 혁신적인 AI 시스템 유형이 있다. 하나는 기업 지식 위에서 추론하여 챗봇과 에이전트 워크플로를 구동하는 디지털 AI(digital AI)이고, 다른 하나는 영상, 게임플레이, 센서 원격 측정(telemetry)으로부터 로봇과 자율 시스템의 제어를 학습하는 물리 AI(physical AI)이다. 둘 다 동일한 근본적 병목에 직면한다. 이질적 모달리티에 걸친 대규모 원시 지식이 사설 코퍼스에 갇혀 있어, 기존 AI 인프라가 이를 신뢰성 있게 또는 효율적으로 접근하지 못한다는 점이다. 본 논문은 범용 지식 인식(Universal Knowledge Perception, UniK)을 두 유형 모두를 아우르는 공통 플랫폼으로 제안한다. 풍부한 텍스트와 영상부터 분자 데이터 및 센서 원격 측정에 이르는 다양한 모달리티에 걸쳐, 수집(ingestion), 강화(enrichment), 색인(indexing), 검색(retrieval), 지속적 평가(evaluation)를 포함하는 지식 전 생애주기 전반을 다룬다. 과제별 미세조정 없이, 자동으로 강화된 색인에 대한 다중 색인 융합(multi-index fusion)인 Polymath Retrieval 위에 구축된 UniK를 제시한다. 의학 문헌, 개방형 QA, 화학, 법률 영상 절차, 정부 공개 데이터 등 다섯 디지털 AI 도메인에서, 오픈소스 700억 매개변수 모델과 결합한 UniK는 차수적으로 더 큰 프론티어 독점 LLM과 지속적으로 동등하거나 그 이상의 성능을 보였다. 정부 데이터에서 RAG 정확도 76%(GPT-5는 47%), 미세조정 없이 의학 QA에서 77.9%, 모든 오픈소스 화학 파이프라인을 상회했다. 동일한 인프라가 물리 AI 월드 모델 학습이 직면한 데이터 큐레이션, 색인, 검색 과제를 직접 해결할 수 있음을 보이며, 해당 영역에서는 지식 문제가 더 어렵지만 구조적으로 동일하다.