bdr.de

이 이메일 도메인이 관측된 논문 2건

arXiv:2610.12168v1cs.AI

과거를 돌아보며 계획 학습하기: 추론 모델 학습을 위한 사후 계층 구조

Learning to Plan by Looking Back: Hindsight Hierarchies for Training Reasoning Models

우리는 다음 관찰에 기반하여 추론 모델을 위한 자기 개선(self-improvement) 루프를 소개합니다. 문제의 난이도가 모델의 현재 해결 능력을 초과하더라도, 추가로 제공된 풀이를 통해 모델이 사후(hindsight)에 유용한 해결 아이디어를 추출할 수 있습니다. 우리는 문제만으로 해결 아이디어를 예측하기, 문제와 알려진 풀이로부터 아이디어를 역공학(reverse-engineering)하기, 제공된 아이디어를 활용해 문제 해결하기라는 세 가지 능력을 동일한 모델이 갖추도록 공동 학습(joint training)함으로써 이를 구체화합니다. 이 루프는 풀이가 제공된 문제로부터 이러한 아이디어를 역공학하는 과정과, 세 가지 능력 모두에 대한 공동 학습의 추가 지도 신호(supervision)로 이 아이디어들을 활용하는 과정을 번갈아 수행합니다. 우리는 제안하는 방법의 형식적 명세와 함께 Lean 정리 증명기(theorem prover) 기반의 대화형 정리 증명(interactive theorem proving)을 위한 구체적인 인스턴스화를 제시하며, 실증적 평가는 향후 과제로 남겨둡니다.

arXiv:2606.13111v1cs.CL

MÖVE: 독일 공공 부문을 위한 포괄적인 LLM 벤치마크

MÖVE: A Holistic LLM Benchmark for the German Public Sector

독일 공공 부문을 위해 성능뿐만 아니라 환각 경향성, 에너지 소비, 가치 정합성 등 거버넌스 기준을 포괄적으로 평가하는 LLM 벤치마크인 MÖVE를 제시한다. 39개 모델에 대한 평가 결과 단일 모델이 모든 기준에서 우월하지 않으며 모델 크기만으로는 품질을 예측하기 어렵다는 것을 확인했다.