비용이 많이 드는 시뮬레이션과 실험은 공학 설계에 활용할 수 있는 데이터를 제한한다. 본 논문은 가중치가 고정된 사전 학습 표 형식 Prior-Data Fitted Network(TabPFN) 분류기의 안내를 받는 학습 불필요(training-free) 후보 생성기인 GenPFN을 제안한다. 컨텍스트는 바람직함(클래스 1) 또는 바람직하지 않음(클래스 0)으로 레이블링된 평가 완료 설계들을 포함한다. GenPFN은 바람직한 설계들 사이를 보간하고, 게이트가 적용된 분류기 기울기와 가우시안 잡음을 이용해 후보를 정제한다. 각 후보는 문제의 제약 조건과 목적 함수를 사용해 평가된다. 평가된 바람직한 설계와 그 목적 함수 값은 회귀 학습을 위한 컨텍스트를 증강한다. 평가는 두 개의 매개변수를 갖는 벤치마크와 44개의 매개변수를 갖는 선체 문제를 포함하여 선별된 14개의 문제에 걸쳐 수행된다. 쌍대 비교에서 TabPFN v1을 사용한 GenPFN은 시험한 적대적 생성기, 변분 오토인코더 생성기, 확산 생성기보다 더 높은 클래스 충족도와 더 낮은 현실성 거리를 달성한다. 변분 오토인코더 생성기는 더 큰 커버리지와 다양성을 제공한다. 합성 소수 클래스 과표집 기법(SMOTE)과 비교하면 GenPFN은 더 낮은 커버리지 거리와 더 큰 다양성을 제공한다. 관측된 쌍대 회귀 적합들 가운데, 증강은 컨텍스트만으로 학습한 경우에 비해 AutoGluon 검증 평균 제곱 오차 추정치를 62.1% 감소시킨다. 선체-선미 사례 연구에서는 무작위로 표집한 컨텍스트 설계의 1.4%에 비해 99.3%의 후보가 프로펠러와 호환된다. 생성 후 평가를 거쳐 얻은 표본 집합은 제한된 데이터셋을 증강하고 더 정확한 예측 모델의 학습을 뒷받침한다.
"용종이 있는가?"와 같은 폐쇄형 임상 질문을 받는 의료 비전-언어 모델(VLM)은 영상이 아닌 질문에 의존하여 높은 점수를 얻을 수 있으며, 현재의 환각 벤치마크는 진정한 시각적 판별을 편집 지름길이나 답변 임계값의 변화와 구분하지 못한다. 본 연구는 반사실 증거 프레임워크(Counterfactual Evidence Framework)를 제안한다. 이 프레임워크는 각 병변 삭제를 영상의 다른 위치에서 모양과 도구가 일치하는 대조 편집과 짝지으며, 동일 부위 고리 대조군, 복원 및 부분 삭제, 열화된 뷰, 자연 음성 사례를 추가한다. 또한 보류된 인페인팅 도구에서 검증하고, 판별(증거 민감도 격차(ESG)와 AUROC)을 답변 임계값과 분리하며, 맹검 의사 판독자와 은닉 상태 프로브로 레이블을 점검한다. 507개의 주 시험 사례(1,115개 뷰)에서 9개의 최첨단 VLM은 삭제된 병변의 41.1%~61.6%를 존재한다고 답했으며(ESG 0.269~0.470), 자동으로 구축된 반사실 궤적으로 학습한 Qwen3.5-4B 에이전트인 MedScope-4B는 9.6%만 존재한다고 답했다(ESG 0.758; 27개의 모든 주요 비교에서 p <= 0.001). 의사 판독자는 대장내시경에서 자동 삭제를 지지하며, 이 경우 최첨단 모델은 여전히 삭제된 병변의 45%를 존재한다고 답한 반면 MedScope-4B는 1%였다. 그러나 모든 출처를 합친 삭제 판독의 54.7%에서 소견이 존재한다고 답했으며, 이는 검증되지 않은 삭제가 보증할 수 있는 범위를 제한한다. 12개의 사전 등록된 학습 또는 시스템 구성과, 사전에 고정된 규칙에 따라 선별한 270개의 의사결정 정책 전반에서, 겉보기 효용 향상은 모두 보류 데이터에서의 판별 개선이 아니라 임계값 이동에서 비롯되며, 프로브는 지각이 남은 한계임을 시사한다. 또한 외부 코호트에서 기흉 0/48의 실패를 보고한다. 모든 단계에 기흉 환자를 포함하여 재학습하면 주 시험 결과를 바꾸지 않으면서 새로운 환자에서 기흉의 53%를 찾아낸다.
AI 확산형 생성기가 좌절된 스핀 글라스를 표본추출할 때, 어떤 거시적 대안을 먼저, 그리고 언제 결정하는가? 본 연구는 점 소스에서 시작하는 경로적분 확산(Path Integral Diffusion, PID) 유형의 브리지 확산 모델에 대해 이를 연구한다. 모든 등방 PID가 시간 변환된 가우시안 확률적 국소화임을 보이고, 역으로 모든 신호 대 잡음비 스케줄이 PID 프로토콜로 실현됨을 보인다. 따라서 연속 시간 생성기가 무엇을 결정하는지는 프로토콜에 의존하지 않으며, 프로토콜은 결정이 언제 어떤 비용으로 이루어지는지만 정한다. 생성기의 상태는 부분적 확정, 즉 목표 분포가 정하는 중첩된 설정 클래스들에 각 순간 부여하는 확률로 기술한다. 부분적 확정은 클래스 대비를 따라서만 움직이는 마팅게일이다. 이들의 앙상블 평균은 제곱 자화 대비가 정하는 정확한 비율로 각 수준에 대한 정보를 제공한다. 균형 잡힌 사실상 이진 근사에서 분할은 \gamma=1.044/\lambda_P 근처에서 클래스 정보의 절반에 도달하며, 여기서 \lambda_P는 부모 공분산의 최대 고윳값이다. 이 이론은 최대 24개 스핀의 Bethe 격자 및 Sherrington--Kirkpatrick(SK) 글라스에 적용된다. 궤적이 먼저 영장(zero-field) 측도의 두 거울 반쪽 중 하나로 가중치를 옮긴 뒤 그 안의 글라스 클래스로 이동하는 현상이 일반적으로 관측된다. 이러한 클래스는 유리 전이 근처에서 나타나고 냉각 시 정체성을 유지하며, 같은 그래프 위의 강자성체에서는 나타나지 않는다. 희소(Bethe) 글라스와 밀집(SK) 글라스는 이러한 클래스가 얼마나 자주, 얼마나 강하게 존재하는지에서 다르며, 궤적이 그 클래스에 확정되는 방식에서는 다르지 않다. 유한한 횟수의 단계를 거치는 생성기의 경우, 프로토콜은 거시적 결정이 아니라 후반의 국소 단계를 통해 영향을 미친다. N=32,64에서의 표본추출 사후분포와 소규모로 학습한 잡음 제거기도 같은 순서를 보인다.
대규모 언어 모델은 정적 이미지와 자연어 요청으로부터 모션 그래픽을 생성할 수 있으나, 공간적, 외형적, 시간적 요구 사항이 결합된 요청을 모델이 얼마나 잘 따르는지 평가하기는 여전히 어렵다. 본 논문은 입력 정적 SVG를 모션 편집 프롬프트로 애니메이션화하는 100개 인스턴스의 전문가 큐레이션 벤치마크 MotionGraphicsBench를 소개한다. 필요한 모든 시각 요소를 제공함으로써 본 편집 과제는 디자이너와 유사한 작업 흐름을 반영하고 모션 생성을 그래픽 생성으로부터 분리한다. 실제 Lottie 모션 디자인에서 도출된 본 벤치마크는 시공간 애니메이션 행동의 다양한 조합을 포함한다. 각 벤치마크 인스턴스는 모델 입력과, 서로 다른 유효한 구현을 허용하며 참조 애니메이션과 비교하거나 VLM 판정자를 사용하는 대신 어떤 프롬프트 요구 사항이 통과 또는 실패하는지 보고하는 결정론적이고 사람이 읽을 수 있는 검증 프로그램을 짝지어 제공한다. 이 프로그램들은 사람이 레이블링한 애니메이션과 합성된 테스트 케이스를 사용하는 멀티 에이전트 파이프라인으로 구축한다. 180개 애니메이션의 균형 잡힌 시험 집합에서 본 프로그램은 사람 판단과 93.3%의 원시 일치도를 달성하여 최첨단 VLM 판정자보다 4.4%~12.8% 우수하며, 사람의 승인과 거부 모두에 대해 최소 90%의 재현율을 달성한다. 12개 제공자의 32개 LLM에서 나온 47개 구성에 걸쳐 pass@1은 5.0%에서 68.0% 범위이다. 최고 추론 강도의 15개 모델에서는 추가 시도가 모든 모델을 개선하지만 pass@32는 여전히 38.0%에서 95.0% 범위이다. 검증 프로그램 분석은 생성된 애니메이션이 참조 자세와 일치하지 못하거나, 요청된 모션 궤적을 따르지 못하거나, 관련 이벤트를 조율하지 못하는 경우가 많음을 보여준다. 본 검증 프로그램을 보상으로 사용하여 Qwen3.8-27B를 그룹 상대 정책 최적화(GRPO)로 미세 조정한 결과, 보류된 인스턴스에서 pass@1이 30.31%에서 52.19%로 향상되었다. 프로젝트 페이지는 https://motion-graphics-bench.github.io/ 이다.
가시광 영상과 다변량 진단 신호는 토카막 방전에 대한 상호보완적인 관측 정보를 제공한다. 그러나 기존의 핵융합 사전학습 방법은 주로 관측값을 재구성하거나 예측하는 방식으로 표현을 학습하므로, 이들 모달리티 간의 대응 관계는 충분히 탐구되지 않았다. 또한 영상 프레임에서 플라즈마 영역이 공간적으로 국소화되어 있고 진단 장비 간 샘플링 속도의 차이가 크다는 점도 표현 학습을 어렵게 한다. 본 논문에서는 멀티모달 대조 사전학습 프레임워크인 FusionCLIP을 제안한다. 선택적 비디오 인코더는 정보량이 높은 시각 토큰만을 유지하고, 쿼리 기반 시계열 인코더는 관측 타임스탬프를 이용하여 비동기 진단 신호를 통합한다. 대조 학습을 통해 두 모달리티의 표현을 정렬한다. 우리는 1307회의 EAST 방전으로 구성된 EAST Multimodal Diagnostics(EAST-MMD) 데이터셋을 구축하고, 방전 붕괴(disruption) 예측, 경계 국소 모드(ELM) 분류, H98 회귀의 세 가지 과제에 대해 독립적으로 미세조정하여 모델을 평가한다. FusionCLIP은 Joint 점수 89.07%를 달성하였으며, 이는 최고 성능의 경쟁 기준 모델 및 도메인 내 대조 사전학습 기준 모델인 CLIP-Base보다 각각 절대값으로 2.41%, 2.90% 높은 수치이다. 어블레이션과 어텐션 시각화는 핵심 구성 요소의 기여를 추가로 뒷받침한다.
추론 과정은 복잡한 멀티모달 과제에서 비전-언어 모델의 성능을 향상시키지만, 모든 입력에 긴 추론 과정을 강제하면 과잉 사고와 불필요한 추론 비용이 발생한다. 본 연구는 VLM의 적응형 빠른/느린 사고를 다루며, 하나의 모델이 단순한 입력에는 직접 답하고 필요할 때는 단계별로 추론한다. 빠른 답변과 느린 추론 과정은 서로 다른 행동 정책에서 생성되는 경우가 많아, 단일 참조 오프라인 목적함수는 한쪽 모드에 잘못된 가중치를 부여하게 된다. 우리는 목표로 하는 빠른/느린 혼합 참조와 샘플링 분포를 구분하고, 보상 가중 학습에서 둘 사이의 불일치를 보정하는 DUAL-REFERENCE BOLT(DR-BOLT)를 제안한다. 빠른/느린 분할 경쟁은 최적 목표에서의 라우팅을 설명하며, 응답 형식이 잘 분리되어 있을 때 효율적인 소스별 보정은 정확한 목적함수를 근사한다. Qwen3-VL을 이용한 대응 비교에서는 동일한 후보 뱅크를 사용하여 목적함수의 효과를 느린 교사 모델의 품질과 분리한다. DR-BOLT는 ScienceQA와 세 개의 보류된 전이 벤치마크에서 평가된 오프라인 및 온라인 기준 모델보다 점수-길이 간 절충을 개선하며, 벤치마크 전반의 느린 사고 비율은 24.1%이고 재현한 GRPO 대비 종단 간 학습 속도는 2.90배 빠르다. 이러한 결과는 연구된 이중 참조 설정에서 적응형 추론을 뒷받침하지만, 더 폭넓은 강건성은 여전히 열린 문제이다. 코드는 https://github.com/HongbinLin3589/DR-BOLT 에서 공개되어 있다.
자동화된 과학적 발견은 질병 기전에 대한 이해를 증진하고 조기 질병 표지자의 식별을 가속할 잠재력을 지닌다. 인구 규모에서는 수동 데이터 주석이 불가능하므로, 멀티모달 및 비정형 임상 데이터에서 사전 정의된 표현형을 자동으로 추출하는 방법이 요구된다. 그러나 이러한 사전 정의된 특징 집합은 해당 접근법이 발견할 수 있는 연관성을 결정하고 제한한다. 이 한계는 이러한 도구를 사용하여 인구 규모 데이터를 질의하는 에이전트형 AI 시스템에도 적용된다. 반면 대규모 임상 데이터로 학습된 파운데이션 모델(FM)은 학습 목표를 넘어서는 과제를 수행할 수 있다. 이는 이들의 잠재 임베딩이 질병 기전에 대한 통찰을 줄 수 있는 새롭거나 탐구되지 않은 특징을 표현할 수 있음을 시사하지만, 이러한 잠재 특징은 여전히 해석하기 어렵다. 이 문제를 해결하기 위해, 우리는 FM과 희소 오토인코더를 사용하여 멀티모달 및 비정형 임상 데이터에서 특징을 추출하고, 이를 코드화된 임상 개념으로 해석하며, 임상 과학적 발견에 대한 가치를 평가하는 자동화된 다단계 프레임워크인 Glyph를 소개한다. 우리는 여러 기관의 환자 41,628명의 복부 CT 볼륨, CT 영상의학 보고서, 검사실 측정값에 Glyph를 적용하였다. 그 결과 4,463개의 Bonferroni 유의 연관성이 뒷받침하는 397개의 예측 개념을 식별하였다. 더 나아가 발견된 연관성의 대부분은 서로 다른 기관의 보류된 코호트에서 자동으로 재현되었다. Glyph 개념은 문헌에서 유래한 표지자에 대해 상보적인 연관성을 제공하여 예측 능력의 향상으로 이어졌다. 보다 폭넓게, 이러한 결과는 해석 가능성 방법을 통해 드러난 파운데이션 모델의 특징이 질병에 대한 임상적 이해를 확장할 수 있음을 시사한다. Glyph는 https://github.com/StanfordMIMI/Glyph 에서 공개한다.
인터랙티브 월드 생성에는 정확한 국소 제어와 긴 롤아웃에 걸친 안정적인 장면 일관성이 모두 요구된다. 기존 방법은 카메라 또는 기하 조건화를 통해 국소 생성을 개선하고 메모리 메커니즘으로 과거 맥락을 확장한다. 그러나 불완전한 목표 시점 안내와 장면 갱신 중 누적되는 불일치로 인해 장기 탐색은 여전히 어렵다. 본 논문은 지속적인 3D 가우시안 월드 상태를 중심으로 구성된 생성-재구성 프레임워크 \textbf{GSExplorer}를 제안한다. 각 단계에서 현재의 3DGS 장면은 비디오 생성기에 멀티모달 렌더링 조건을 제공하고, 카메라 기하는 별도의 상대 레이 인코딩 분기를 통해 주입된다. 생성된 비디오는 이후 SLAM 기반 재구성 백엔드로 다시 입력되며, 여기서 외형 및 기하 일관성 검사가 선택적 장면 갱신과 청크 간 자세 보정을 위한 공유 지지 마스크를 생성한다. 또한 장면 외삽 중 현실적인 3DGS 열화를 재현하는 데이터 구축 파이프라인을 설계하여, 열화된 멀티모달 렌더링과 실제 목표 비디오로 이루어진 29만 3천 개의 학습 쌍을 확보하였다. GSExplorer는 단일 단계 및 3단계 WorldScore 평가 모두에서 비교 방법들 중 가장 우수한 전체 성능을 달성하며, 단일 단계 외삽에서 카메라 제어 점수 99.07을 기록한다. 481프레임의 이탈 후 복귀 롤아웃에서도 강한 재방문 일관성을 보인다.
원격 스마트폰 리커머스가 빠르게 확대되고 있으며, 기기가 도착하기 전에 판매자 사진과 진단 화면으로 재매입 제안을 확정하는 것이 핵심 운영 과제가 되었다. 기존 멀티모달 자원은 주로 결함 위치 파악, 카탈로그 속성, 화면 판독을 대상으로 한다. 이들은 선언된 입력 계약 하에서 외관과 작동 상태의 이중 정답을 갖춘 지급 관련 스코어카드를 간과한다. 이러한 공백은 두 가지 난제에서 비롯된다. (1) 소규모의 감수된 순위 평가 구간과 분리된 대규모 약한 레이블의 중고 보상판매 코퍼스가 부족하다는 점, (2) 순서 없는 사진 묶음을 하나의 프롬프트로 평탄화하거나 평가를 단일 가격 스칼라로 축약하는 아키텍처라는 점이다. 이러한 난제를 해결하기 위해, 본 논문은 주문 21,550건과 이미지 278,748장으로 약한 학습을 수행하는 PhoneValue-Corpus와, 품질 검증을 거친 주문 335건으로 구성된 유일한 리더보드 PV-Rank를 갖춘 이중 정답 리커머스 프레임워크 PhoneValue-Bench를 제안한다. 시스템은 LeadGate 하에서 CardScore로 순위가 매겨지며, Cosmetic Fill과 Operational Fill은 진단 지표로 사용되고, 등급과 가격은 리더보드에서 제외된다. 특히 ValueAgent는 시점을 정규화하고, 영역별 결함을 탐지하며, 스크린샷을 판독하고, 창고 방식의 규칙 하에서 증거를 융합하는 6단계 지각 융합 기준 시스템이므로, 이미지 묶음 프롬프팅이 유일한 평가 단위는 아니다. 동일한 PV-Rank 구간과 고정된 채점기에서 이 전체 시스템 및 입력 계약 비교는 ValueAgent가 CardScore 84.1로, 가장 강력한 Flat 비전-언어 모델의 69.9를 앞서며 CosFill에서 가장 큰 격차가 보고되는 반면, 선언된 두 계약 하에서 OpsFill은 제한적인 수준에 머무른다는 것을 보여 준다. CardScore는 견적 정확도가 아니라 필드 채움의 완결성을 측정한다.
대규모 언어 모델(LLM)은 동적 금융 거래에 점점 더 많이 사용되고 있으나, 실시간 거래 벤치마크는 주로 누적 수익률과 위험 조정 성과로 에이전트를 평가한다. 이러한 결과 지표만으로는 거래가 충실하게 보고되었는지, 이용 가능한 증거로 뒷받침되는지, 계좌 상태와 일관되는지를 알 수 없다. 본 논문은 중국 A주 시장에서의 연속 거래를 위한 실시간 의사결정 감사 벤치마크 AStockArena를 제안한다. 공유된 시장 조건과 체결 제약 하에서 개방형 및 폐쇄형 모델 13개를 대상으로 3,198건의 순차적 결정을 평가한다. AStockArena는 보고서, 거래 요청, 체결 응답, 계좌 상태를 정렬하여 계좌에 실제로 반영된 행동을 재구성하고, 체결 추적 가능성(O), 증거 충분성(RK), 금융 메타 인식(B)에 걸친 여덟 가지 검사로 이를 감사하며, 기록 검증과 합의 기반 전문가 주석을 결합한다. 거래 시점 1,070개 중 72.99%가 하나 이상의 감사 공백을 보이며, 모델별 비율은 52.2%에서 91.2%에 이르고 증거 공백이 가장 흔하다. 과거 거래 필터링 재생 실험은 포트폴리오 성과가 이렇게 표시된 거래에 민감함을 추가로 보여 준다. 따라서 의사결정 과정 감사는 금융 에이전트에 대한 수익률 기반 평가를 보완하는 검증 가능한 수단을 제공한다.
공학 분야에서 인공지능의 응용은 지금까지 대체로 대리 모델과 최적화 과제에 국한되어 왔다. 대규모 언어 모델은 말로 주어진 과제로부터 소프트웨어를 작성할 수 있어 이를 바꾸어 놓았다. 정보를 검색하고 소프트웨어를 실행할 수 있게 하는 구성 요소 체계인 하네스 안에 배치되면, 이러한 모델은 반복적인 공학 과제를 맡을 수 있는 에이전트가 된다. 본 연구는 두 가지 일반적인 음향 응용에서 모델과 하네스의 요소가 에이전트의 성능과 행동을 어떻게 형성하는지 측정한다. 첫 번째 응용에서 에이전트는 차량 실내의 오디오 녹음에서 결함을 거의 완벽한 정확도로 탐지하고 위치를 파악한다. 이 과제의 벤치마크는 약한 모델이 어떤 하네스 설계로도 넘을 수 없는 한계를 설정하며, 설계 선택은 모델이 이를 활용할 만큼 충분히 유능할 때에만 효과를 낸다는 점을 보여 준다. 두 번째 응용인 메타물질 단위 셀 설계 사례 연구에서 에이전트는 주어진 주파수 범위에서 지정된 삽입 손실을 달성하는 설계를 안정적으로 찾아낸다. 이러한 결과는 독자가 에이전트의 각 요소가 무엇을 기여하는지, 그리고 음향 과제를 위한 에이전트를 어떻게 설계할지 이해하도록 돕는 것을 목표로 한다.
학습과 추론은 지능형 에이전트에 모두 필수적이지만, 전통적으로 두 개의 별개 단계로 취급되어 왔다. 즉 먼저 데이터로부터 지식 베이스를 학습하거나 주어진 것으로 받아들이고, 이후 지식 베이스가 완전하다고 가정하여 질의를 검증한다. 이러한 분리는 하위 목표가 소수의 질의만 검증하는 것일 때 비효율적임이 밝혀져 있다. 더욱이 데이터와 지식 베이스가 부분적이지만 상호 보완적인 정보를 담고 있을 가능성을 간과하므로, 에이전트는 질의를 정당화하거나 반박하기 위해 두 출처를 결합해야 한다. 학습과 추론을 더 긴밀히 통합할 필요성에 동기를 얻어, 본 논문은 추론을 위한 질의 주도 학습 문제를 연구한다. 보다 구체적으로, 기존 연구를 일차 논리 설정으로 확장하는데, 이는 기저 원자의 수가 일반적으로 급격히 증가하기 때문에 실용적 응용에 중요하다. 먼저 부분적인 데이터와 지식 베이스가 주어졌을 때 전칭 질의를 검증하거나 반박하는 것이 언제 가능한지를 묻고, 경계 은닉(bounded concealment)이라는 필요충분조건을 규명한다. 이어서 이 과제를 리프티드 수준에서 해결하는 준다항 시간 알고리즘을 제안한다. 마지막으로 공간 제한 리프티드 증명에 대한 건전성과 완전성 보장을 준다항 표본 및 실행 시간 한계와 함께 증명하여, 제약 없는 지식 베이스 학습이 효율적이지 않은 경우에도 리프티드 질의 주도 추론은 효율적일 수 있음을 보인다.
1995년 1분기부터 2025년 4분기까지의 분기별 FRED 및 CSO Ireland 데이터를 사용하여, 미국 IT 투자와 아일랜드 데이터센터 전력이 에너지 및 컴퓨팅 기반 자산을 중심으로 키친 사이클을 재구성하고 있는지 검토한다. 세 가지 결과가 두드러진다. 첫째, Quandt-Andrews sup-Wald 검정은 미국 IT-GDP 상관관계에서 2014년 3분기에 유의한 구조 변화를 찾아내며(sup-W $= 9.69$; $r$은 $+0.45$에서 $-0.12$로 하락), Fisher $r$-$z$ 검정은 Bonferroni 보정 후에도 유의하다($z = +3.11$, $p_{\text{Bonf}} = 0.006$). 반면 부과된 클라우드 대 AI 경계에 대한 유사 검정은 유의하지 않아($p_{\text{Bonf}} = 0.164$), '전략적 디커플링'은 AI 시대보다 약 6년 앞선다. 둘째, 아일랜드에서 계측된 데이터센터 전력과 실질 GDP 사이의 AI 시대 동시점 상관은 크지만($r = +0.41$, $N = 16$), \emph{실질 GDP를 실질 GNP로 대체하면 $r \approx 0$으로 붕괴한다}. 이는 해당 수치가 하이퍼스케일러 운영과 아일랜드 총생산 사이에 공유된 다국적 기업 조세 구조의 영향에서 비롯된 인공물일 가능성이 크다는 점을 시사한다. 셋째, 아일랜드의 교차상관 프로파일은 선행지표 해석과 반대 방향으로 비대칭적이다. 가장 큰 양의 계수가 $k < 0$ 쪽에 몰려 있어(GDP가 데이터센터 부하에 선행), 컴퓨팅 용량은 동행 또는 다소 후행하는 지표로 보는 것이 더 적절하다. AI 시대 표본이 작고 GNI*와 같은 분기별 다국적 기업 조정 집계 지표가 없으므로 모든 계수는 탐색적이다. 이러한 단서 하에서 미국 키친 사이클은 2014년 3분기로 시기를 구분하는 것이 가장 적절하며, 아일랜드의 에너지-데이터 연계는 다국적 기업 활동이 지배한다.
요리 과제에서 두 플레이어를 조율하려면 비전-언어 에이전트가 변화하는 장면 상태를 추적하고, 레시피 단계를 순서화하며, 시간 제한 하에서 공유 자원을 할당해야 한다. 본 논문은 코딩 에이전트를 사용해 구축한 언리얼 엔진 환경에서 이러한 능력을 평가하는 Overcooked 기반 벤치마크를 소개한다. 단일 비전-언어 모델이 \rev{플레이어별 별도 의사결정 호출을 통해} 하향식 시각 관측으로부터 두 플레이어를 모두 제어하며, 엔진이 내비게이션을 수행하는 동안 고수준 행동과 \rev{이미지에 표시된 목표 셀}을 선택한다. 벤치마크는 다섯 범주의 20개 맵으로 구성된다. 이 범주들은 장비 경합, 변화하는 지형, 인계 의존성 하에서의 \rev{두 플레이어} 협업 평가를 지원한다. 소품 범례와 냄비 재료 개수 표시기는 명시적인 시각 단서를 제공하고, 격자 기반 목적지는 공간 그라운딩을 지원한다\rev{. 텍스트는 스테이션 좌표를 제공하지 않으므로 목표 위치는 주로 이미지에서 얻어진다}. 평가는 \rev{20개 맵 전체에서 다섯 개의 VLM과 특권 정보를 가진 스크립트 기준 정책}을 비교하며, 과제 점수, 주문 완료, 배달 정밀도, \rev{조준 정확도}, 모델 API 비용을 측정한다. \rev{20개 맵 전체에 대한 두 개의 짝지은 절제 실험은 공유되는 자기 작성 노트북을 켜고 끄며, 이미지는 고정한 채 텍스트 프롬프트를 약 3,600단어에서 약 440단어로 줄인다.} \rev{가장 강한 모델은 주문의 35\%를 완료하며 정답 스테이션 정보에 접근할 수 있는 스크립트 기준 정책을 능가한다. 노트북의 효과는 부호가 일관되지 않고 통계적으로 신뢰할 만하지 않으며, 프롬프트 텍스트를 줄이면 두 모델의 점수는 낮아지고 나머지 세 모델은 거의 변하지 않는다.} 종합하면 이 환경 설계와 평가 프로토콜은 시각적 상태 추적과 과제 스케줄링이 협업 요리 행동에 어떻게 기여하는지 탐구하기 위한 틀을 제공한다.
범용 에이전트는 지속적인 추론, 반복적 조사, 신뢰할 수 있는 근거를 요구하는 전문적인 분석 업무를 수행할 것으로 점점 더 기대된다. 이러한 능력을 학습시키려면 다양하고 도전적인 과제가 필요하다. 그러나 원시 데이터에서 직접 과제를 생성하면 분석을 통해 드러나는 더 깊은 질문을 간과하는 경우가 많고 검증을 위한 근거도 제한적이다. 이러한 한계를 해결하기 위해 본 논문은 검증된 워크스페이스 진화에 기반한 분석 과제 합성 프레임워크 DataPraxis를 제안한다. 이 프레임워크는 검증된 발견과 산출물로 워크스페이스를 점진적으로 풍부하게 한 뒤, 이러한 워크스페이스를 상속하고 결합하여 더 깊은 질문을 도출한다. 누적된 발견과 그 의존성으로부터 과제를 구성하며, 진화 과정과 과제 조립 이후 모두에서 분석 결과를 검증한다. 이 프레임워크를 사용해 다양한 도메인과 출력 형식에 걸친 5,000개의 검증된 궤적으로 구성된 데이터셋 DataPraxis-5K를 구축하고, 이를 통해 DataPraxis-27B와 DataPraxis-35B-A3B를 학습시켰다. DataPraxis-27B는 DABStep에서 55.11, JobBench에서 51.9를 달성하여 GLM-5.2와 같은 최전선 모델과 대등하거나 이를 능가한다. DataPraxis-5K는 huggingface.co/datasets/stargazerhust/DataPraxis-5k에서 이용할 수 있다.
ProteinGeoBench는 에이전트에게 단백질 구조 파일을 제공하고, 기록된 사실을 조회하거나, 서열을 확인하거나, 원자 좌표로부터 기하 구조를 계산하거나, 구조에 대해 추론하도록 요구하는 131개 과제의 모음이다. 우리는 최전선 모델 4종을 모든 과제에서 여러 차례 실행했고(총 4,249회 실행), 26개 모델은 일부 과제에서 실행했다. 단일 종합 점수는 서로 다른 두 가지 능력을 가린다. 최전선 모델 4종 중 3종은 사실 조회에서 가장 우수하고 좌표 기반 계산에서 가장 부진하다. Claude Opus 5는 조회에서 0.907, 계산에서 0.716을 기록한다. Gemini 3.1 Pro는 예외이다. 기하학 과제는 가장 어려운 과제들 사이에서 과도하게 많이 나타난다. 네 모델이 모두 실패하는 12개 과제 중 절반이 계산 과제이며, 계산 과제는 전체 구성의 5분의 1에 불과하다. 또한 12개 중 8개는 26개 모델 중 어느 모델도 풀지 못했다. 상위 세 모델은 서로 0.031 이내의 차이를 보여 순위를 매기기에는 너무 가깝고, 과제당 1회 실행하는 경우 부트스트랩 재표본의 24%에서 다른 모델이 1위를 차지한다. 따라서 보고서는 과제 유형별 점수와 과제당 실행 횟수를 제시해야 한다. 또한 모델을 실행하는 소프트웨어인 에이전트 하네스와 그 네트워크 접근 여부도 명시해야 하는데, 이 둘이 점수를 변화시키기 때문이다. 15개 과제 부분집합에서 8개의 구조 데이터베이스를 차단하면 점수가 낮아졌고, 네트워크 접근을 제거하면 점수가 더 크게 낮아졌다. 우리의 하네스를 각 제공자의 자체 명령줄 에이전트로 교체하자 점수가 어느 방향으로든 최대 0.09만큼 변했다. 26개 모델 전반에서, 다른 과제에서 더 높은 점수를 받은 모델이 계산에서도 더 높은 점수를 받았다.
Pretraining filtering is one of the most common safeguards for open-weight language models. Here we study its effectiveness, durability and scalability using the ESM-2 family of protein language models. We find that filtering viral proteins from the pretraining data meaningfully degrades masked language modelling, mutation effect prediction and long-range contact prediction on viral proteins, while largely preserving performance on non-viral proteins. These effects are concentrated among proteins from human-infecting viruses, and grow as we scale models from 8M to 3B parameters. As models increase in size, we find that stringent filtering becomes more effective. However, fine-tuning on sequences from the removed viral families restores the lost performance. Although the cost to recover performance increases with model scale, even for the largest models it costs about 80 USD of H100 time. This work establishes pretraining filtering as moderately effective at selectively degrading performance on viral proteins, but not durable against fine-tuning with modest computational resources and access to relevant data.
기업 리테일 워크플로에서는 에이전트가 구조화된 상품 및 주문 기록부터 비정형 문의와 리뷰에 이르기까지 이종 소스에 걸쳐 증거를 연결해야 하지만, 기존의 에이전트형 RAG 벤치마크는 이러한 과제를 거의 반영하지 못한다. 이러한 워크플로를 통제된 방식으로 평가할 수 있도록, 우리는 페르소나 기반 시뮬레이션으로 구축한 조합형 리테일 벤치마크인 RetailBridge를 소개한다. 이 벤치마크의 질문은 이종 소스 간에 엔티티와 중간 답변을 연결하여 구성되며, 에이전트가 관련 소스를 식별하고, 소스 간에 증거를 전달하며, 근거에 기반한 답변을 생성하도록 요구한다. 이러한 리테일 워크플로에서 LLM을 체계적으로 평가하기 위해, 우리는 자동 스키마 브리핑, 소스 라우팅 계획 연쇄, 진단 기반 계획 수정을 갖춘 리테일 특화 프레임워크 RetailRAG를 개발한다. RetailRAG는 모든 평가 축에서 기존 에이전트형 RAG 기준선을 일관되게 능가하여, 리테일 워크플로에서 LLM 에이전트를 평가하기 위한 강력한 참조 시스템의 역할을 한다. RetailBridge에서 RetailRAG로 10개의 LLM 백본을 평가한 결과, 다중 소스 연쇄가 제공자와 모델 규모를 막론하고 지배적인 병목임이 드러났으며, 이는 신뢰할 수 있는 리테일 에이전트에는 규모 확장만이 아니라 명시적인 소스 간 오케스트레이션이 필요함을 시사한다. 코드와 데이터는 https://github.com/DISL-Lab/RetailBridge 에서 공개되어 있다.
단일 이미지 리포커싱은 촬영 후 사진의 초점면과 피사계 심도를 변경한다. 사용자는 한 장의 사진에서 여러 초점 선택을 비교하므로, 품질과 속도 못지않게 편집 간 내용의 안정성이 중요하다. 최근의 생성 기반 방법은 먼저 전 초점 이미지를 복원하는 경우에도 편집할 때마다 대규모 확산 모델을 다시 실행하므로, 편집 사이에 내용이 일관되지 않게 바뀔 수 있다. 그러나 매우 부정정(ill-posed)한 것은 이 복원 단계뿐이며 생성 사전분포의 이점도 이 단계에서만 얻는 반면, 블러 렌더링은 대체로 깊이와 초점면에 의해 결정된다. 따라서 우리는 사진당 확산을 한 번만 실행하고 각 편집을 경량 네트워크로 렌더링하는 FlashReFocus를 제안한다. 디코더 정제기를 갖춘 단일 단계 확산 디블러러는 충실도와 지각 품질의 균형을 유지하면서 미세한 디테일을 효율적으로 복원한다. 렌더러는 제어를 위해 명시적인 디포커스 맵을 사용하고, 유사한 블러 크기를 가진 토큰 간의 정보 교환을 촉진하기 위해 디포커스 편향 어텐션을 사용한다. 모든 편집이 동일한 복원 결과를 재사용하므로 초점이 맞은 내용은 편집 간에 일관되게 유지되며, 맵을 편집하면 틸트시프트 및 이중 평면 효과도 구현할 수 있다. 우리는 또한 보지 못한 광학계에 대한 일반화를 평가하기 위해 세 가지 카메라-렌즈 시스템에서 얻은 89쌍으로 구성된 벤치마크 3CReal을 수집한다. EBB! Val176과 3CReal에서의 제로샷 보케 렌더링에서 FlashReFocus는 평가된 방법들 중 충실도와 지각 품질 모두에서 선두를 차지한다. 1536x1536 해상도에서 RTX PRO 6000 한 대로 전체 리포커싱에는 2.45초가 걸리고 이후 각 편집에는 0.46초가 걸린다.
코딩 에이전트는 웹사이트, 데스크톱 애플리케이션, 게임과 같은 정교한 대화형 애플리케이션을 생성하는 작업을 맡는다. 사람은 이러한 애플리케이션을 직접 상호작용하며 평가하지만, 현재의 자동화된 LLM 평가는 주로 코드 분석과 단위 테스트에 초점을 맞춘다. 이러한 불일치로 인해 LLM 심사자는 사람 사용자에게는 즉각적으로 드러나는 실패를 놓칠 수 있다. 본 연구는 컴퓨터 사용 에이전트(CUA)가 애플리케이션과 직접 상호작용하며 평가하는 패러다임인 Interaction-as-a-Judge를 연구한다. 우리는 Interaction-as-a-Judge가 대화형 애플리케이션의 평가와 생성을 모두 개선할 수 있음을 보인다. 이를 위해 서로 보완적인 두 가지 데이터셋을 수집하여 공개한다. 하나는 사람의 선호와 해당 에이전트 트레이스가 포함된 $6,858$쌍의 애플리케이션이고, 다른 하나는 사람이 검증한 요구사항 레이블이 포함된 $222$개의 애플리케이션이다. 기존의 비상호작용 방식과 비교하여, Interaction-as-a-Judge는 사람의 선호 예측($65.6\% \to 69.1\%$)과 요구사항 검증($77.0\% \to 81.6\%$) 측면에서 평가를 개선함을 확인했다. 또한 확장에 따른 이점도 관찰했는데, 선호 정렬과 요구사항 검증 모두에서 더 높은 품질의 상호작용이 성능을 향상시켰다. 마지막으로 추론 시점과 학습 시점의 실험을 통해 Interaction-as-a-Judge가 생성된 산출물의 품질 또한 개선할 수 있음을 보인다. 추론 시점에서 Interaction-as-a-Judge는 다섯 번의 시도 내에 깨진 요구사항의 $75.5\%$를 수정했으며, 이는 코드 기반 자기 피드백의 $55.4\%$와 대비된다. 학습 시점에서는 Interaction-as-a-Judge를 보상 신호로 사용하여, 코드 기반 보상 신호와 비교해 기본 모델 대비 승률을 $6.7$pp 향상시키는 동시에 생성된 코드 길이를 $35.7\%$, 빌드 실패율을 $7.2$pp 감소시켰다.