안전은 개인마다 다르다. 같은 행동도 한 사람에게는 안전하고 다른 사람에게는 위험할 수 있다. 그러나 현재 가드레일은 영향을 받는 사람이 누구인지 고려하지 않고 콘텐츠를 판단한다. 약물 안전을 사례로 환자 상태를 반영하는 약물 가드레일 과제를 도입한다. 환자 프로필과 처방을 바탕으로 안전 여부와 위험 범주 17가지를 예측한다. 약물 87종에 걸친 시나리오 5,001개를 포함하며 데이터 분할 간 약물이 겹치지 않는 벤치마크 MedGuardBench를 공개한다. 표준 가드레일은 환자에 관한 사실보다 문구나 프로필의 유무와 같은 표면적 단서에 의존한다는 사실을 확인했다. 이를 해결하기 위해 세 요소로 구성된 개인 맞춤형 추론 가드레일을 개발한다. 개인 맞춤형 추론 증류는 위험을 관련 환자 정보 항목에 연결한다. 문맥 펼치기(Context Unrolling, CU)는 모델이 각 항목을 직접 확인하게 하여 대부분의 백본에서 오경보를 줄인다. 대조 실험에서 확인 결과를 모델에 제공하는 것만으로는 같은 이득을 얻지 못했다. 규칙 기반 보상을 적용한 유도형 GRPO는 일부 백본에서 위험 사례의 재현율과 알레르기 및 이상 반응을 포함한 복합 위험 탐지 성능을 높였지만, 다른 백본에서는 오경보를 늘렸다. 제안 모델은 기본 모델과 조건을 맞춘 프로필 미사용 대조군보다 정확도가 높았으며, 프로필 미사용 대조군보다 오경보도 적었다. 프로필을 제거하거나 바꾸는 실험에서 성능 향상은 미세조정 자체를 넘어 환자 정보 활용에서 비롯됨을 확인했다.
Mamba 기반 방법을 이미지 같은 2차원 특징에 적용할 때는 특징 맵을 1차원 시퀀스로 평탄화해 여러 스캔을 융합하거나, 2차원 격자에서 직접 점화식을 적용한다. 전자는 공간적 인접성을 깨뜨리고 연산을 늘린다. 후자는 입력과 무관한 고정 계수로 점화식의 크기를 조정하고 하나의 반대각선에 놓인 선행 상태만 집계하므로 이산화 간격에 2차원 안정성 이론의 제약이 걸리지 않는다. 일반 Fornasini–Marchesini(FM) 모델을 기반으로 한 네이티브 2차원 선택적 상태 공간 모델 FM-Mamba를 제안한다. 결합 점화식은 두 공간 축을 따라 진행된다. 축 간 결합에서 대각 방향 선행 상태에 대응하는 이산 항 $\tilde A_0$이 생기며, 입력에 따라 독립적으로 달라지는 간격 $\Delta_1(i,j)$와 $\Delta_2(i,j)$가 두 축을 따른 전파를 제어한다. 따라서 위치와 방향에 따라 계수가 달라진다. 정규화 비율 $r_k=a_{0,k}/(a_{1,k}a_{2,k})$에서 두 이산화 간격에 대한 구간별 경계를 닫힌 형태로 얻는다. 간격이 안정 구간을 벗어나면 이 경계를 만족하도록 투영하고 학습 후 위치마다 안정성 기준을 다시 검사한다. 이를 통해 전체를 감쇠시키지 않고 체계적인 국소 증폭을 억제한다. 점화식은 이중 대각선 파면 스캔으로 실행된다. 각 갱신은 두 반대각선에서 정보를 모으고 입력을 한 번 투영해 현재 상태에 반영하므로, 학습과 추론 모두 특징 맵을 평탄화할 필요가 없다. 코드는 https://github.com/BitSsm/FM-Mamba-Runtime 에서 제공한다.
트랜스포머 같은 표준 신경망 아키텍처는 경사하강법으로 잘 학습되고 GPU에서 빠르게 실행되므로 채택됐다. 가중치 공간 프로그래밍에서는 대규모 언어 모델이 그래디언트 기반 학습 없이 대상 모델의 가중치를 직접 작성하므로 이러한 근거가 적용되지 않는다. 그래도 트랜스포머를 유지할 필요가 있을까? 최소한의 지침과 레이블이 있는 예시 10개, 샌드박스를 제공한 뒤 최신 대규모 언어 모델 세 가지에 고정 아키텍처의 가중치를 생성하거나 아키텍처 자체를 설계하도록 했다. 주로 객관식 문제를 사용했다. 자유롭게 설계하도록 하자 세 모델 모두 일반 텍스트의 사실을 희소 테이블로 바꾸고 고정된 절차로 질의했다. 시험 정확도는 최대 54.4%였다. 대규모 언어 모델이 설계한 모델 하나는 같은 언어 모델이 가중치를 작성해 공개한 트랜스포머 가운데 정확도가 가장 높은 모델보다 정확도가 높았고, 매개변수는 약 1,800분의 1만 사용했다. 그래디언트가 없을 때 모델은 테이블을 선택한다. 대규모 언어 모델은 테이블의 각 가중치가 뜻하는 바를 설명할 수 있고, 잘못된 가중치를 찾아 다시 쓸 수 있다. 오답 하나는 행 하나를 가리키며, 행을 제거하면 다른 응답 한 개 정도가 바뀐다. 이를 바탕으로 같은 크기의 트랜스포머보다 GPU에서 최대 17배 빠른 연상 메모리 기반 모델을 제안한다. 사전학습 가중치, 다른 벤치마크, 모델이 답을 생성하는 과제도 시험했다. 사전학습된 대규모 언어 모델의 정확도는 여전히 더 높다. 연구의 주장은 가중치를 직접 작성할 때 어떤 구조를 만들 것인가에 관한 것이다.
긴 문서의 품질, 명확성, 흐름을 개선하는 일은 자연어 처리에서 여전히 어렵다. 사람은 보통 한 번에 다시 쓰기보다 여러 차례 다듬는다. 기존 자동 편집 시스템은 대개 내부 동작을 알기 어려운 생성기로 작동하거나 지도학습에 의존하므로 해석이 어렵고 수정의 순차적 성격을 포착하지 못한다. 이 논문은 평가지표를 활용하는 자동 종단 간 강화학습 프레임워크 RLDE를 제안한다. 문서 수정을 참조 답안이 없는 마르코프 의사결정 과정(MDP)으로 정식화하며 원문과 수정본의 쌍을 지도 데이터로 사용하지 않는다. 동작은 유지(NOOP), 삽입(INSERT), 삭제(DELETE), 교체(REPLACE)로 제한된다. RLDE는 포인터 신경망으로 토큰 단위의 편집 구간을 유동적으로 고르고, 생성이 필요한 동작은 가중치를 고정한 BART-base 모델에 보내 문맥에 맞는 제안을 얻는다. PPO 에이전트는 가독성, 펄플렉서티, 문법 지표를 바탕으로 한 다목적 보상 함수를 최적화한다. 과도한 삭제를 막기 위해 새로운 SBERT 기반 의미 보존 페널티를 제약으로 적용한다. BEA-2019 데이터셋에서 모든 평가지표가 통계적으로 유의했다(p < 0.01). 플레시 읽기 용이성 점수는 49.8에서 59.4로 높아졌고, 펄플렉서티는 63.7에서 39.8로 줄었으며, 의미 정보의 93%를 보존했다. 사고 과정 프롬프트를 적용한 GPT-4와 LLaMA-2 같은 모델과 비교해 RLDE는 추론 연산 비용이 매우 낮으면서도 높은 성능을 보였다. 사람의 평가에서 생성한 편집은 의미 보존 4.9/5점, 편집 품질 4.4/5점을 받았다.
대규모 언어 모델은 이미지와 텍스트가 포함된 상품 정보를 처리하고 소비자를 대신해 구매를 추천하는 자율 쇼핑 에이전트로 점차 쓰이고 있다. 더 많은 추론 능력을 갖춘 모델이 더 나은 구매 결정을 내린다고 생각하기 쉽다. 이를 시험하기 위해 두 가지를 묻는다. 모델이 더 깊이 생각하면 더 나은 상품을 선택하는가? 모델이 보고한 신뢰도로 그 선택이 틀릴 가능성을 알 수 있는가? WebShop, Amazon의 SQID, Wayfair의 WANDS를 바탕으로 만든 세 가지 상품 선택 벤치마크에서 최신 모델 10개를 평가했다. 세 벤치마크 모두에서 추론 노력을 늘려도 결정 품질이 통계적으로 유의하게 높아지지 않았다. 반면 모델이 보고한 신뢰도는 유의하게 높아졌다. 추론을 더 할수록 답이 맞을 가능성보다 확신이 커진 셈이다. 또한 모델이 보고한 신뢰도 백분율이 실제 정답률과 얼마나 일치하는지 측정했다. 대부분의 모델은 모든 추론 노력 수준에서 일관되게 잘 보정된 상태를 유지하지 못했다. 여러 모델이 오류를 공유하는 경향도 강했다. 한 모델이 어떤 과제에서 틀리면 여러 다른 모델도 같은 과제에서 틀리는 경향이 있었다. 여러 모델이 모두 틀린 과제에서는 그중 상당수가 같은 잘못된 상품을 골랐다.
에이전트 자원의 가치는 백본과 함께 사용하는 자원에 따라 달라지며, 실제로 실행한 뒤에야 알 수 있다. 토큰 기반 생성기는 학습에 사용한 자원 목록에 묶여 있다. 자원별로 독립적으로 점수를 매기면 서로 보완하는 관계를 놓치며, 기존 묶음을 재사용하면 다른 과제에 맞춘 구성이 선택된다. 과제 조건부 에이전트 자원 구성(AgentComposition)을 종단 간 실행 효용이 최대가 되도록 백본 모델과 도구·스킬 묶음을 함께 고르는 문제로 정식화한다. 검색 기반 묶음 인식 에이전트 생성 방식은 후보 자원과 비슷한 과제에서 사용한 과거 구성을 검색한다. 미세조정한 생성기는 자원 설명을 읽고 제약을 적용한 빔 탐색으로 후보를 재조합하므로, 재학습 없이 새 자원을 사용할 수 있다. 묶음을 고려하는 크리틱은 대규모 언어 모델 교사와 과거에 성공한 구성을 실행의 대리 근거로 삼아 완성된 구성의 순위를 정하고, 실행 피드백이 있으면 이를 반영한다. 참조 구성 복원, 판정 점수와 환경 자체 보상을 적용한 오프라인 실행, 실제 실행을 동반한 온라인 추천을 평가했으며, 구성 5,060개를 실행해 AgentSelect-Exec를 구축했다. 제안 방법은 AgentSelect 질의의 67.73%에서 후보 10개 안에 전체 참조 구성을 복원했다. 가장 강한 기준선의 약 두 배이며, SkillsBench에서도 모든 기준선을 앞섰다. 대리 근거로 학습한 크리틱은 1순위 에이전트의 실행 점수를 10점 만점에 7.58점에서 8.37점으로 높였다. 실행 피드백을 추가하면 8.78점으로 올라 가장 강한 기준선을 앞섰다. 대상 도메인의 질의 네 개만으로 생성기를 SkillsBench에 적응시킬 수 있었다. 온라인 추천 에이전트는 대규모 언어 모델 판정과 환경 자체 검증 모두에서 가장 강한 기준선을 앞섰다. 이 결과는 과제 경험으로 자원을 함께 구성하는 방법을 학습해 다른 과제로 옮길 수 있음을 뒷받침한다.
생성된 문장을 원문이 뒷받침하는지 확인하는 일은 AI가 작성한 텍스트에 적용하는 일반적인 안전장치다. 공개된 최고 성능의 검증기는 단일 모델을 사용한다. GauntletScore는 벤치마크의 개발용 분할에서 정한 소수의 규칙과 임계값으로 작동하는 증거 처리 엔진이다. 서로 다른 공급자의 독립적인 판독 모델에 유형별 질문을 보내고, 각 답변을 증거 원장에 측정값으로 기록한다. 고정 베이즈 규칙으로 측정값을 결합하며, 두 판독 모델이 동의할 때만 모순으로 집계한다. 리더보드 방식에 따라 LLM-AggreFact의 전체 시험 분할(데이터셋 11개의 주장 29,320개)에서 평가한 결과, GauntletScore의 균형 정확도는 79.51로 2026년 11월 15일 기준 리더보드에 공개된 모든 평균 점수보다 높았다. 가장 높은 기존 점수인 nimble-v4-max의 79.45는 공개된 데이터셋별 점수에서 계산한 값이며, GauntletScore의 95% 구간인 78.47~80.53에 포함돼 두 결과는 대등한 수준이다. 동일한 주장에 대해 판독 모델 A와 B를 단독으로 썼을 때보다 각각 1.66점과 2.17점 높았다(95% 구간 각각 0.80~2.53과 1.29~3.06). 아래에서 다루는 AggreFact-CNN을 제외해도 각각 0.90점과 1.32점 높았고 두 구간은 모두 0을 웃돌았다. 단일 모델과 달리 모든 판정에 대한 근거도 기록한다. 가장 큰 차이는 기사 전문을 여러 문장의 요약과 대조하는 AggreFact-CNN에서 나타났다. 이는 규제를 받는 여러 글쓰기 형식과 비슷하다. GauntletScore는 76.45점으로 리더보드 1위였고, 차점은 70.1점이며 전체 평균 상위 여섯 시스템은 63.9~67.8점이었다. 사전에 확정한 중단 계획에 따라 첫 시험 주장을 보기 전에 엔진을 고정한 뒤 시험 분할을 한 번만 실행했다. 주장별 예측과 채점 스크립트를 공개한다.
한 번 쓰고 여러 번 읽는 텐서를 위한 저비트 양자화 형식인 계산형 순열 트렐리스 부호화(CPTC)를 제안한다. INT4와 FP4처럼 각 값을 따로 반올림하는 형식은 정보 이론의 최적값에 비해 비트를 상당히 낭비한다. 트렐리스 부호는 값을 함께 부호화해 이 손실을 회복하지만, 기존 디코더는 최고 품질을 내려면 큰 참조 테이블이 필요하거나 해시로 값을 계산해 디코딩할 수 있는 값이 제한된다. CPTC 디코더는 상태에 두 계수를 각각 곱하고 곱셈 결과의 상위 비트를 더해 64바이트 테이블의 인덱스를 구한다. 합의 분포가 균일하지 않으므로 작은 테이블에서도 드물게 접근하는 양쪽 끝에 분포의 꼬리 값을 담을 수 있다. 디코더 하나로 1~6비트의 모든 비트 폭을 처리하고 표준 정수 및 부동소수점 형식을 정확히 재현한다. 4비트에서는 최적값과의 차이가 0.07비트 이내다. 테이블이 수천 배 더 큰 무작위 순열 트렐리스 부호와 대등하고 모든 QTIP 코드북을 앞선다. 미세조정 없이 Llama 3.1 8B와 70B Instruct의 가중치를 양자화했을 때, 시험한 모든 비트 폭에서 CPTC는 QTIP 코드북보다 원래 모델에 대한 KL 발산이 작았다. 감소 폭은 최대 27%였다. AWS Trainium 4 AI 가속기에 내장한 디코더는 시스톨릭 배열에서 차지하는 면적이 매우 작으면서 기본 FP4와 FP8 형식과 같은 처리량을 낸다. 융합 인코딩 커널은 GPU 한 개에서 매개변수 80억 개 모델의 선형 층을 2분 안에 양자화하며, 사이클 단위 시뮬레이션의 Trainium 4 칩 한 개에서도 같은 시간 내에 처리한다.
에이전트 스킬은 코딩 에이전트가 필요할 때 찾아 불러올 수 있는 절차적 지식의 파일 묶음이다. 주요 에이전트 실행 환경은 모두 스킬을 지원하지만, 스킬의 효과를 뒷받침하는 증거는 거의 전부 과제에 맞는 스킬을 사람이 골라 주고 에이전트가 이전 정보 없이 시작하는 상황에서 얻었다. 실제 배포 환경에서는 에이전트가 설치된 라이브러리에서 스킬을 고르며 이전 작업의 메모리도 유지하는 경우가 많다. SkillBuffBench는 스킬 접근을 세 수준으로 나누는 벤치마크와 짝지은 평가 절차다. 스킬을 쓰지 않는 경우, 선별한 스킬을 제공하는 경우, 설치된 라이브러리에서 자동으로 호출하는 경우를 비교한다. 각 수준에 메모리 사용 여부, 에이전트 실행 환경 네 가지, 여러 모델을 교차 적용하며, 모든 모델을 모든 실행 환경에서 구동한다. 모델에는 Anthropic, Google, OpenAI의 최신 비공개 모델과 중국 공급자의 최신 공개 가중치 모델이 포함된다. 분야 전문가가 제공한 연구 과제와 해당 분야에서 사용하는 스킬로 평가하며, 현재는 재료과학과 생물학을 다루고 과제 모음을 계속 확장한다. 결정론적 검증기가 모든 실행을 채점하고, 과제 단위로 짝지은 부트스트랩으로 불확실성을 보고한다. 비용, 에이전트 라운드 수, 실제 경과 시간은 점수와 함께 별도로 보고한다. 이 버전에서는 벤치마크 설계, 평가 절차, 현재의 과제와 스킬을 설명한다. 평가는 진행 중이며, 실행을 마치면 결과를 추가하고 과제 모음과 결과 및 분석을 계속 갱신할 예정이다.
반사실 설명은 흔히 최근접 세계 의미론 하의 반사실 조건문으로 간주되어, 최소 거리의 모든 반례에 대해 추론해야 한다. 반면 형식적 XAI는 대개 효율적인 계산과 최소 히팅 집합 쌍대성을 허용하는 특징 기반 귀납적 설명(AXp)과 대조 설명(CXp)에 의존한다. 본 논문은 (i) 최근접 세계 반사실 설명을 최소 거리의 모든 반례 사례에 대한 논리합 정규형으로 명시적으로 특성화하고, (ii) 예측 변화를 보장하는 특징 리터럴의 논리곱으로 제한된 반사실 전건의 하위 클래스인 논리곱 반사실 설명(CFXp)을 도입함으로써 이 두 관점을 잇는다. 본 논문은 CXp, AXp, CFXp를 연결하는 구조적 결과를 확립한다. 모든 CXp는 그 증거 사례에 대한 AXp를 유도하며, 모든 CXp와 증거 AXp는 그 AXp에 의해 지지 집합이 정확히 결정되는 CFXp를 유도한다. 이러한 이론적 결과는 기존 AXp/CXp 기법을 사용하여 CFXp를 계산하는 모듈식 접근을 제공한다. 트리 앙상블과 신경망을 사용한 대표적인 벤치마크 집합에 대한 실험은 CFXp 추출이 실용적으로 효율적임을 보여 준다. 널리 쓰이는 점 기반 반사실 설명기와 비교하면, CFXp는 일반적으로 더 많은 특징 변경을 요구하지 않으며 단일 사례를 넘어 반사실 예측을 보장할 수 있다.
대규모 언어 모델(LLM)은 의료 질의응답 및 진단 추론 벤치마크에서 강력한 성능을 보여 왔다. 그러나 기존 평가는 대체로 환자 정보를 처음부터 모두 제공하며 최종 진단이나 근거만을 평가한다. 이러한 설정은 실제 진단에서 불완전한 정보로부터 진단 증거를 점진적으로 획득해야 한다는 필요를 간과한다. 이러한 간극을 메우기 위해, 본 논문은 LLM이 상호작용적 정보 탐색을 통해 문서화된 진단 경로를 재구성할 수 있는지 평가하는 근거 기반 벤치마크인 DiagTrace를 제안한다. 각 벤치마크 인스턴스는 PubMed Central의 증례 보고서로부터 구축되며, 초기 증상 발현, 이벤트 뱅크, 임상 경과, 진단 참조 정보를 포함한다. DiagTrace는 8개 전문 분야에 걸친 510개 사례를 포함하며, 이 중 225개를 사용하여 4개의 LLM을 임상 경과 정렬, 상호작용 품질, 효율성 측면에서 평가한다. 결과는 포괄 범위, 출처와 일치하는 순서, 턴 사용 간에 상충 관계가 있음을 보여 준다.
개인 비서는 수개월 분량의 대화를 축적하지만, 오늘날의 장기 기억 스택은 질문과 그 증거 사이에 파생 또는 선택 과정을 둔다. LongMemEval에 대한 시스템 수준 비교에서 두 상용 비서는 동일한 모델이 오프라인으로 기록을 읽을 때보다 훨씬 낮은 점수를 받았으며[1], 이는 쓰기와 읽기 사이의 내용 손실과 부합하지만 이를 분리하여 규명하지는 않는다. 본 논문은 KV-LTM을 제안한다. 이는 고정된 리더 모델 하에서 각 세션의 원문 텍스트와 KV 캐시를 함께 저장하고, 캐시된 세션을 복원한 뒤 질문을 덧붙여 답하는 기억 계층이다. KV-LTM은 검색 및 색인을 대체하는 것이 아니라 보완한다. 텍스트가 기록상의 기억이며, 캐시는 재계산이 필요 없는 프리필 가속기로서 텍스트로 점진적으로 성능 저하되며 대체된다. 본 논문은 저장 레코드, 예산 기반 보존, 추가 전용 읽기 경로, 제한된 집계로 구성된 설계를 명시한다. 또한 이를 해석적으로 산정한다. 고정된 BF16 full-attention(GQA) 및 잠재 캐시 MLA 구성 전반에서 토큰당 상태는 약 31K~328K 바이트에 이르며(고정된 KDA+MLA 하이브리드는 다르게 토큰당 약 8.1K 바이트에 세션별 고정 순환 항이 추가된다), 하루 30K 토큰이라는 명시된 시나리오에서 사용자 1년당 약 0.34~3.6 TB가 되는 반면 원문 텍스트는 약 49 MB이다. 질의당 비용은 영역 조건부 전송, 어텐션, 디코딩, 집계, 연산으로 모형화한다. 또한 논리적 QA 평가를 위해 지속적 캐시 구현이 필요 없는 평가 프로토콜을 정의한다. 세션별 프리필이 동일한 모델/입력 상태 계약과 이상적 산술 하에서 유효한 캐시 재사용을 모사하며, 명명된 비교군, 통제된 기준선, 사전 등록된 리더 모델 게이트를 갖는다. 별도의 최소한의 실제 캐시 재생은 수치적 동등성을 검증하고 비용 축을 측정하며, 그 결과는 가정하지 않는다. KV-LTM은 명시된 보존 예산 내에서 저장 공간을 재프리필 연산 회피 및 쓰기 시점의 충실도와 맞바꾼다.
임베디드 토픽 모델은 단어 임베딩을 토픽 생성 과정에 통합하여 일관된 토픽과 대규모 어휘에서의 강건한 성능을 만들어 낸다. 그러나 각 문서가 단일 토픽 분포로 표현되어 문서의 내부 구조가 무시된다. 법률 문서, 기업 및 정부 보고서, 온라인 토론 포럼을 비롯한 많은 실제 컬렉션은 문서가 서로 다른 하위 주제를 다루는 여러 섹션으로 구성되는 계층적 조직을 보인다. 본 논문은 임베딩 공간의 계층적 사전분포를 통해 문서의 토픽 분포와 그 섹션들의 토픽 분포를 결합하는 구조적 토픽 모델인 계층적 임베디드 토픽 모델(hETM)을 제안한다. hETM에 대한 상각 변분 추론 절차를 유도하고, 이러한 각 영역의 구조화된 컬렉션에서 평가한다. 실험 결과 hETM은 평면 및 계층적 토픽 모델 기준선 가운데 가장 낮거나 이에 근접한 보류 퍼플렉시티를 달성했으며, 토픽 품질도 동등하거나 더 높았다. 또한 하위 군집화 과제에서도 강한 성능을 보여 대부분의 컬렉션에서 최고의 군집화 성능을 달성했다.
대규모 언어 모델은 고립된 비서에서 계획을 세우고 도구를 사용하며 다른 에이전트와 협력할 수 있는 자율 에이전트로 이동하고 있으며, 이는 독립적으로 개발된 에이전트와 서비스로 이루어진 에이전틱 웹의 부상을 이끌고 있다. 이러한 비전을 실현하려면 게시를 특정 실행 환경에 결합하거나 사용자 자원에 대한 권한을 이전하지 않으면서, 에이전트 행동이 생성자, 호스트, 런타임 간에 이동할 수 있어야 한다. 본 논문은 이동 가능한 워크플로, 스킬, 스키마, 자원 요구 사항을 담은 서명된 agent.pkg를 통해 이러한 역할을 분리하는 WebAgents를 제안한다. OpenClaw 기반의 에이전트 네이티브 브라우저/런타임이 패키지를 검증하고 권한을 획득하며, 실행 시점에 이를 사용자가 통제하는 모델, 도구, 권한, 예산에 결합한다. 호스트는 공개 프로그램을 배포하되 비공개 서비스는 서버 측에 유지할 수 있다. 본 논문은 서로 관련 없는 세 가지 워크플로가 로컬 모델과 API 기반 모델에서 변경 없이 실행되는 것으로 이 계약을 시연한다. 여기에는 실시간 서비스를 활용한 문헌 검토와, 의미 기반 도구 및 사용자가 선택한 개인 자원을 사용하는 웹사이트 게시형 여행 에이전트가 포함된다. 통제된 스위트에서 WebAgents는 주입된 계약 위반 716건을 모두 명시적으로 차단하고 일치하는 정상 대조군 295건을 모두 수용했으며, 세 패키지 모두에서 자동화된 실행 전 처리 시간의 중앙값은 0.5초 미만이었다. 마지막으로 사용자 런타임에 실행 권한을 유지하면서 NANDA 기반 검색과 상호 운용 가능한 패키지 생태계로 나아가는 경로를 제시한다.
병원의 뇌 영상 아카이브에는 전향적 연구를 넘어서는 표본 규모로 다양한 병리가 보관되어 있으며, 특히 과소대표된 집단과 질환에서 그러하다. 정제되지 않은 임상 데이터를 활용하고 분석을 확장하려면 대조도와 해상도를 가로질러 이상을 검출하는 방법이 필요하다. 합성 데이터는 건강한 해부 구조에서 다양한 인간 신경영상 과제에 대해 대조도에 무관한 강건한 모델을 제공해 왔으나, 임상 환경에서의 병리 검출 및 기타 과제는 여전히 실제 환자 데이터, 대조도별 모델 또는 질환별 생성기를 필요로 한다. 본 논문은 병리를 포함한 뇌 MRI 생성 모델인 PathoDraw를 제안한다. 건강한 해부 구조가 주어졌을 때 병변의 조건부 분포를 대조도 무관 렌더링 이전에 레이블 맵에 그려 넣으며, 단일 네트워크가 임의 입력 스캔의 건강한 해부 구조와 정확한 부호 있는 강도 편차를 추정한다. 대조도에 무관한 3D UNet은 병변 아래의 건강한 레이블과 부호 있는 편차를 직접 학습하고, 실제 병리에 대한 학습 없이도 강건한 조직 통계와 학습된 특징을 통해 병리를 식별한다. 최근의 비지도 이상 검출 벤치마크 프로토콜 하에서 다양한 해상도의 $T_1$w, FLAIR, $T_2$w에 걸쳐 공개 뇌졸중, 종양, 백질 고신호 강도 데이터셋과 보관된 임상 데이터에서 제로샷 검출을 보인다. 단일 모델은 실제 스캔으로 학습한 대조도별 이상 검출기를 능가하거나 비슷한 성능을 내며 건강한 해부 구조를 온전히 유지한다. 동일한 생성기로 초해상화와 병리가 있는 상황에서의 정합을 위한 네트워크도 학습한다. 촬영 조건과 질환 전반에 강건한 본 모델은 정제되지 않은 보관 데이터를 임상 분석에 활용할 수 있게 한다. 코드는 https://github.com/agr78/Pathology-Randomizer 에서 제공된다.
유전자 교란의 효과를 예측하려면 관찰된 세포 맥락과 유전자 조합을 넘어 일반화하는 모델이 필요하다. 본 논문은 표현 학습과 교란 효과 예측을 위한 다층 퍼셉트론(MLP) 프레임워크인 Occam을 소개한다. Occam은 디노이징으로 학습한 세포 표현을 유전자 상호작용, 텍스트, 단백질 서열 특징과 결합한다. 이 모델은 교란 정보와 배치 통합을 동반한 세포 유형 보존에 대해 가장 높은 종합 표현 점수를 달성한다. 교란과 세포 맥락이 각각 학습 중에는 관찰되지만 함께 관찰된 적은 없는 교차 맥락 소수 샷 예측에서, Occam은 재학습한 네 개의 경쟁 모델이나 다른 학습 세포주에서 측정된 동일 교란 효과의 직접 전이보다 이러한 미관찰 조합에 대해 측정된 반응 패턴을 더 잘 포착한다. 미세조정 없이도, Occam은 예측기 학습에서 제외된 세포주에서 관찰된 및 관찰되지 않은 어세이 전반에 걸쳐 평가 모델과 단순 기준선 중 교란을 가장 잘 구별한다. 이러한 설정에서 발현 수준을 정확히 예측하는 것은 여전히 어렵다. 두 유전자를 동시에 표적으로 하는 이중 교란에서, Occam은 학습된 단일 유전자 반응을 조합하여 경쟁 모델 및 단일 유전자 효과의 합과 비교해 결합 반응을 더 잘 포착하고 발현 오차를 줄인다. 이러한 이득은 강한 가법성 반응과 약한 가법성 반응 모두로 확장된다. 종합하면 이 결과는 맥락과 유전자 조합 전반의 세포 표현 학습과 교란 효과 예측에 단순한 MLP가 적합함을 뒷받침한다.
가중치 공간 프로그래밍은 대규모 언어 모델이 옵티마이저나 경사 하강법 없이 자연어 명세에 따라 신경망의 가중치를 직접 읽고 쓰는 과정이다. 본 연구는 이를 자동 트랙터 유도에 적용하며, 여기서 253개 매개변수의 신경망은 직선과 호로 이루어진 경로를 따라 조향하고, 더 느린 조향 액추에이터처럼 기계가 바뀌면 적응되어야 한다. GPT-6 Astra와 Claude Fable 5.1(5.2 포함)은 다른 트랙터용으로 학습된 네트워크를 수리하고 가중치가 0인 네트워크에 제어기를 작성하기 위해, 소규모 시뮬레이션 평가 예산을 사용하여 본 연구용 트랙터의 네트워크를 편집하였다. 이를 시뮬레이션과 실제 트랙터에서 진화 전략, 경사 하강법, 순수 추적(pure pursuit)과 비교하였다. 두 모델 모두 네트워크를 읽고 제어 이론으로 폐루프를 올바르게 분석하였으며, 시뮬레이션 없는 Fable의 수리는 가끔만 성공했다. 시뮬레이션 피드백이 있을 때 두 모델은 단일 세션에서 학습된 네트워크를 수리하고 0 가중치에서 작동하는 제어기를 작성한 반면, 0에서 시작한 진화 전략은 아무것도 찾지 못했다. 0에서 작성된 제어기는 희소했고 고전적인 캐스케이드 구조였으며, 한 모델은 학습된 네트워크를 편집한 반면 다른 모델은 이를 대체했다. 경사 하강법은 훨씬 더 많은 시뮬레이션으로 더 높은 정확도에 도달했으며, 모든 언어 모델 제어기는 개입 없이 실제 트랙터를 조향하여 순수 추적과 같은 정도의 오차를 보였다. 언어 모델은 제어 엔지니어가 설계하듯 신경 제어기의 가중치를 직접 프로그래밍할 수 있다. 우리는 이를 가중치 공간 엔지니어링(Weight-Space Engineering)이라 부른다.
We audit instruction-hierarchy enforcement across 363 text-in/text-out models from the OpenRouter catalog. The research question we answer with this experiment is which models disclose a protected secret embedded in the system prompt, and through which techniques. Each model guards a secret 16-character flag set in its system prompt, while an artificial intelligence (AI) agent (OpenCode, powered by DeepSeek V4.1 Flash), steered by a human researcher, tries to persuade it to emit the flag. The flag was exfiltrated from 296 of the 363 models, plus four models released after the initial catalog freeze, for 300 captures in total. Of these, 170 involved a non-English language pivot, most often French. Each capture shows that a model ranked a user request above its system instruction at least once. It does not show that the model provably resists untested attacks, nor that it would consistently leak semantically sensitive data, nor that it is vulnerable to harmful-content jailbreaks. For practitioners, we draw three lessons: do not store secrets in system prompts, enforce critical behavior outside the model with output validation and deterministic checks, and do not let a large language model (LLM) judge be the sole decider of consequential outcomes.
이종 2.5D 칩렛 패키지로의 흐름은 비할 데 없는 성능과 맞춤화를 약속하지만, 그에 따른 고밀도는 열 문제를 증폭시킨다. 신속한 설계 공간 탐색을 위해 본 논문은 전력 밀도 맵, 공간 좌표 임베딩, 재료 특성, 열전달률을 통합하여 정상 상태 온도를 13 ms에 예측하는, ANSYS 같은 기존 유한요소 해석기보다 약 4자릿수 빠른 다중 모달 트랜스포머 기반 스케일 불변 대리 모델 ThermLeT를 제시한다. 트랜스포머 모델을 학습시키기 위해 세 가지 대표 아키텍처에서 변형한 6,221개의 칩렛 레이아웃 데이터셋도 구축하였다. 150개 표본 테스트 세트에서 ThermLeT는 RMSE 3.16°C, MAE 2.24°C를 달성하여 ThermEDGe보다 35%, HotSpot보다 71% 정확도를 개선하면서 추론 지연 시간은 각각 약 6배, 11배 낮다. 어블레이션 연구는 보지 못한 플로어플랜에 대한 강건한 일반화를 확인한다. 코드와 데이터셋은 https://github.com/MicroSystemsDesignLab/ThermLeT 에서 제공된다.
AI 에이전트는 과학 연구를 도울 수 있지만, 자율적 탐구와 진행 중인 작업을 과학자가 점검하고 방향을 바꿀 수 있는 능력 사이의 균형을 맞추는 것은 여전히 핵심적인 설계 과제이다. 우리는 자율적 탐구와 과학자 주도의 가설 조정을 결합한, 도메인에 구애받지 않는 과학자 중심 시스템인 DiscoveryAgent를 제안한다. 과학자는 연구 라운드 사이에 가설을 선택, 정교화 또는 교체하며, 감사 에이전트는 체크포인트된 기록을 조사하여 주장을 추적하고 분석을 재현하며 이후의 결정에 정보를 제공한다. 두 가지 예측 모델링 과제에서 DiscoveryAgent는 평가된 베이스라인 중 최고의 변광성 분류기를 만들었고, 과학자의 조정을 거쳐 단백질 변이 효과 예측기가 ProteinGym 베이스라인 106개 중 단 하나에게만 뒤처졌다. 우리는 고성능 감사 에이전트를 가능하게 하는 엄밀한 체크포인팅 시스템을 개발하였으며, 이는 에이전트 연구에 대한 확장 가능한 형태의 감독이다. 감사 에이전트는 이전의 AI 과학자 에이전트보다 높은 비율로 오류를 자율적으로 식별하며, 감사 에이전트와 협업하는 과학자는 수동 검토를 수행하는 과학자보다 14배 많은 유효한 오류를 식별한다. 물리과학, 사회과학, 생명과학 분야의 도메인 전문가가 주도한 세 가지 사례 연구에서, 우리는 이미지와 측광의 상호 보완적인 실패를 해결하는 멀티모달 측광 적색편이 추정기를 개발하여 저적색편이 분류에서 AUROC 0.971을 달성하였고, 2013년부터 2023년까지 플로리다 주택 보험료가 83% 상승하였으며 그 부담이 점점 커지고 역진적임을 기록하였으며, 광범위한 전사 조절을 받으면서 동시에 행사하는 CD4+ T세포 릴레이 유전자를 식별하였는데 이들은 자가면역 질환 연관성이 풍부하였다. 이러한 결과는 자율적 연구가 연구 방향에 대한 과학자의 권한과 증거를 이해하고 이의를 제기하는 능력을 중심에 두면서 과학자의 경험적 도달 범위를 확장할 수 있음을 종합적으로 보여 준다.