입력 인코딩은 각 상호작용이 개별적으로는 표현 가능한 경우에도 예측기가 측정된 상호작용을 함께 재현하지 못하게 만들 수 있다. 우리는 레이블이나 예측기 학습 없이 인코더와 대비(contrast) 설계로부터 도달 가능한 대비 공간을 계산한다. 측정된 대비를 이 공간에 사영하면 해당 인코딩을 사용하는 모든 결정론적 디코더에 대한 경험적 제곱오차 하한이 얻어진다. siRNA 패널에서 그래프 신경망의 학습 전용 특징 마스크는 측정된 165개 상태를 90개 클래스로 병합하며, 이로 인해 140개 상호작용 대비의 랭크가 72로 감소한다. 하한은 0.009980으로, 모든 대비에 대해 0을 예측하는 경우의 평균제곱오차인 기록된 대비 에너지의 14.63%에 해당한다. 적합된 상호작용 오차 중 이 하한이 차지하는 비중은 14.6%로 추가적인 영향이 작다. 예측된 상호작용이 거의 0에 가깝고, 그 MSE인 0.068335가 동일한 대조군의 MSE를 근소하게 초과하기 때문이다. 안티센스 주변(marginal) 비중은 더 커서 기록된 에너지의 36.49%, 적합 오차의 38.1%를 차지한다. 복원된 세 개의 화학 특징 열만으로도 전체 랭크를 확보하기에 충분하다. 전체 마스크를 제거하면 하한이 사라지지만, 재학습으로 인한 상호작용 MSE의 개선은 0.000017에 불과하며, 복원된 특징은 여전히 학습 입력에 포함되지 않는다. 두 개의 추가 패널은 이 진단의 적용 범위를 명확히 한다. 공개된 스플라이싱 예측기는 단사(injective) 방식으로 인코딩하며 전체 설계 랭크인 1,986을 유지하므로 하한이 0이다. 지질 패널에서 독립적인 카운트 지문(count-fingerprint) 인코더의 경우, 쌍별로 서로 다른 800개의 인코딩된 대비 행의 랭크가 740이어서, 중복 행 검사로는 놓치는 60개의 제약이 드러난다. 이 진단은 인코딩이 부과하는 한계를 식별하고 이를 특정 특징까지 추적할 수 있다. 또한 표현 가능성과 학습된 정확도를 분리하지만, 그것만으로 재학습의 이득을 예측하거나 남은 오차를 설명하지는 못한다.
고품질의 영화적 텍스트-비디오 생성은 비전문가에게 여전히 어려운데, 이들의 프롬프트에는 전문적인 서사와 창의적 설계가 부족한 경우가 많기 때문이다. 기존의 프롬프트 향상(PE) 방법과 정적인 영화적 스킬은 다양한 창의적 구현을 탐색하는 능력이 제한적이다. 우리는 참조 기반 탐색을 통해 재사용 가능한 영화적 스킬을 체계적으로 진화시키는 창의성 지향 PE 프레임워크 SkillPE를 제안한다. SkillPE는 전문가가 제공한 영화적 지식에서 출발하여 20개의 구조화된 시드 스킬을 초기화하고 정규화한다. 이후 영화 참조를 공명자(resonator, 잘 맞는 사례), 불협자(dissonant, 약하게 맞는 사례), 발산자(divergent, 창의적 영감을 주는 근접 불일치 사례)로 분류하여 검색한다. 공명자와 불협자는 스킬의 적용성과 실행을 정교화하고, 발산자는 사용자 의도를 보존하는 통제된 변이를 통해 대안적인 영화적 구현을 이끌어 낸다. 후보 스킬은 생성된 비디오를 대상으로 프롬프트 충실도, 영화적 품질, 서사적 매력, 창의성의 측면에서 평가되어 최종 스킬 라이브러리를 구성한다. StoryEval과 VBench에서의 실험 결과, 7점 척도의 4차원 평가에서 시드 스킬 대비 최대 1.10점, 가장 강력한 외부 베이스라인 대비 1.02점의 향상을 보였다. 종합하면 SkillPE는 영화적 텍스트-비디오 생성에서 충실도와 창의성의 균형을 맞추는 실용적인 접근을 제시한다.
물리 도해 이해의 핵심 과제는 시각 정보를 그것이 기술하는 물리적 개체, 관계, 조건과 올바르게 연결하는 것이다. 값, 기호 또는 기타 국소 요소가 정확히 인식되더라도 이를 잘못된 개체나 범위에 할당하면 근본적인 물리적 전제가 왜곡되어 잘못된 추론으로 이어질 수 있다. 이 과제를 체계적으로 연구하기 위해, 우리는 멀티모달 모델이 물리 도해에서 인식한 정보를 의도된 물리적 역할과 올바르게 연결하는지 평가하도록 설계된 벤치마크 \textbf{PhysAlign}을 소개한다. PhysAlign은 국소화된 프로브와 통제된 변형을 통해 시각 인식과 물리적 역할 할당을 분리함으로써 대응 오류를 인식 실패와 구분한다. 이 벤치마크는 986개의 물리 문제에 걸쳐 사람이 검증한 3,341개의 프로브를 포함하며, 시각 인식과 물리적 역할 대응을 대규모로 체계적으로 평가할 수 있게 한다. 우리는 또한 CAcc, GAcc, JAcc를 포함한 다섯 가지 상호 보완적 평가 지표를 도입하여, 모델이 도해 내용을 인식하고, 올바른 물리적 대응을 설정하며, 근본적인 물리 문제를 푸는 능력을 종합적으로 평가한다. 평가한 멀티모달 모델 전반에서 PhysAlign은 국소적 시각 인식과 물리적 역할 근거화 사이에 일관된 격차가 있음을 보여 준다. 질의된 내용이 올바르게 인식된 경우에도 조건부 대응 오류율은 GPT-6-Astra에서 13.8\%로 유지되고 InternVL3.5-8B에서는 약 50.6\%까지 상승한다. 이러한 결과는 강력한 지각만으로는 신뢰할 수 있는 물리적 해석이 보장되지 않음을 시사하며, 정답 수준 정확도에 대부분 가려져 있던 뚜렷한 근거화 병목을 드러내고, 향후 모델이 인식한 시각적 증거를 그 물리적 의미와 더 잘 정렬할 필요가 있음을 강조한다.
추상적 시각 추론은 소수의 예시 사이의 관계를 파악하고 이를 새로운 입력에 적용하는 능력을 요구한다. 최근의 발전은 대규모 언어 및 비전-언어 모델이나 특화된 도메인 전용 아키텍처가 이끌어 왔다. 언어 기반 추론이나 과제별 표현 학습에 의존하지 않고도 사전학습된 시각 표현의 관계적 기하만으로 추상 추론을 뒷받침할 수 있는지는 아직 불분명하다. 우리는 고정된 자기지도 비전 인코더를 사용하여 이 가능성을 조사한다. 잠재 벡터 연산을 통해, 두 자기지도 인코더의 표현 기하가 Bongard 문제에서 추상 개념 판별을 뒷받침하고 ARC 과제에서 입출력 쌍 사이의 체계적 관계를 인코딩함을 확인했다. 이미지 임베딩 사이의 단순한 벡터 차이, 즉 우리가 직관 벡터라고 부르는 것은 같은 과제의 여러 사례에 걸쳐 일반화되는 변환을 포착한다. 이 벡터는 794개의 추상 추론 과제를 최대 87.2\%의 정확도로 구분하고, 과제와 무관한 시각적 변환 전반에서 관계 구조를 보존하며, 보지 못한 입력에 대한 출력 검색을 유도한다. 이를 바탕으로, 우리는 이러한 관계 구조가 사전학습된 시각 잠재 공간에서 동작하는 확산 트랜스포머를 조건화함으로써 생성적 추론을 조향할 수 있다는 가설을 검증했다. 보류된 ARC 과제에서 직관 벡터 조건화는 전체 시연에 대한 조건화보다 우수한 성능을 보이면서 테스트 시점 연산량은 거의 여섯 배 적게 요구하며, 제로샷 추론도 지원한다. 종합하면, 우리의 결과는 사전학습된 시각 표현이 추상 추론을 위한 전이 가능한 기반을 제공하며, 시연에서 추론한 관계 구조가 생성적 추론을 조향하는 모듈식 접근을 가능하게 함을 시사한다.
HopChain은 정지 이미지에서 멀티홉 데이터 합성이 비전-언어 추론을 개선함을 보였다. 긴 사고의 연쇄 추론은 단계에 걸쳐 누적되는 오류를 드러내는 반면, 검증 가능한 보상을 사용하는 강화학습(RLVR)에 쓰이는 대부분의 데이터는 시각적 증거의 연쇄를 거의 요구하지 않아 이러한 약점이 드러나지 않을 가능성이 높기 때문이다. 우리는 이 프레임워크가 아직 탐구되지 않은 비디오에서도 같은 문제가 있음을 관찰한다. 따라서 우리는 13,378개 비디오에 대한 22,550개의 멀티홉 비디오 질문으로 이루어진 데이터셋 Video-HopChain을 1,000개 질문의 보류 벤치마크와 함께 구축한다. 각 질문은 하나의 비디오 속 순간에 대한 세 개에서 여섯 개의 예/아니오 질문을 연쇄시키며, 각 질문은 답에 따라 두 정수 중 하나를 산출한다. 최종 답은 이 정수들의 합이며, 그 합에 대한 정확한 일치가 RLVR에 필요한 검증 가능한 보상을 제공한다. 우리는 먼저 표준 비디오 데이터셋에서 Qwen3-VL-8B를 GRPO로 학습하고, 이어서 Video-HopChain으로 수행하는 두 번째 단계가 여덟 개의 비디오 이해 및 추론 벤치마크에 대한 평균을 55.4에서 57.9로 높이며 모든 벤치마크를 개선함을 보인다. 그러나 이러한 데이터셋으로 학습하면 GRPO의 알려진 한계가 드러난다. 학습 신호가 그룹 내 보상 분산에서 나오기 때문에, 롤아웃이 모두 오답인 어려운 질문과 모두 정답인 쉬운 질문은 모두 그룹에 기울기를 남기지 않는다. 동일한 연산 예산에서 이러한 그룹을 회복하기 위해, 우리는 신뢰도 게이트 탐색(CGE)을 도입한다. 질문당 8개의 롤아웃에서 CGE는 처음 4개를 평소대로 샘플링한다. 이 4개가 모두 정답이거나 모두 오답이면, 추론 구간 내에서 정책의 가장 확신하는 토큰을 마스킹한 상태로 나머지 4개를 샘플링하고, 8개의 롤아웃이 모두 어드밴티지에 들어가는 동안 마스킹된 위치는 손실에서 제거한다. CGE를 적용하면 평균은 59.3까지 추가로 상승한다. 우리는 데이터셋, 체크포인트, 데이터 생성 및 학습 코드를 공개한다.
테스트 시점 스케일링(test-time scaling)은 장기(long-horizon) 소프트웨어 엔지니어링(SWE)에서 대규모 언어 모델(LLM) 에이전트를 향상시키지만, 희소 이진 보상(Pass/Fail)은 심각한 공로 할당(credit assignment) 위기를 일으키고 실패한 탐색 궤적을 낭비한다. 현재의 궤적 최적화 및 스케일링 방법은 인과 진단 없이 휴리스틱 상태 재사용에, 실행 가능한 온라인 가이던스 없이 지연된 스칼라 채점에 의존하여 비용이 크고 구조적으로 제한적이다. 우리는 경량 생성형 보상 모델(GRM)이 구동하는 새로운 밀집 감독 패러다임인 FLARE(Full-Lifecycle Alignment and Reward Engine)를 제안한다. 첫째, 오프라인 인과 인식 진단 프레임워크인 RADAR는 인과 사슬 역추적(causal-chain backtracking)을 통해 사후 지식 없는(hindsight-free) 고충실도 감독을 추출하여 실시간 단계 수준 위험 피드백을 제공하는 GRM을 증류(distill)한다. 둘째, FLARE는 이 GRM을 사용하여 에이전트 전 수명주기에 걸쳐 지속적으로 최적화한다. 추론 중 FLARE는 Active Scaffold로 작동하여 고위험 생성 단계를 자율적으로 가로채 국소적 중단점(breakpoint) 재실행을 수행함으로써 연산 오버헤드를 대폭 줄인다. 사후 학습 동안 GRM의 구조화된 신호는 지도 미세조정(SFT)을 위한 프로세스 감독 재순위 점수와 강화학습(RL)을 위한 단계 수준 밀집 보상으로 기능하여 희소 환경에서 정책 붕괴(policy collapse)를 완화한다. 광범위한 평가 결과 FLARE는 에이전트 수명주기 전반에 새로운 파레토 프론tier를 수립한다: FLARE(N=1)는 토큰 소비를 5배 줄이면서 Global Rollout(N=5)을 능가한다. FLARE를 학습으로 확장하면 장기 상호작용 과제에서 희소 보상 문제를 극복하며, 프로세스 인식 데이터 큐레이션을 통해 SFT에서 19.13%의 상대 성능 향상과 RL에서 지속적인 9.19% 개선을 달성한다.
시각-언어 모델(VLM)은 그럴듯하게 들리지만 모델이 인용하는 시각적 증거와는 일치하지 않는 자연어 설명(NLE)을 생성할 수 있다. 본 연구는 설명 기반 반사실 테스트(Explanation-Driven Counterfactual Testing, EDCT)를 제시한다. 이는 모델의 설명에서 인용된 시각적 개념을 추출하고, 해당 개념에 검증된 최소한의 편집을 적용한 뒤, 그 결과로 나온 답변과 설명이 편집된 이미지와 여전히 일관되는지를 검사하는 개입 기반 프로토콜이다. 이 프로토콜을 이용하여 지식 집약적 시각 질의응답(OK-VQA), 안전이 중요한 주행(DriveLM), 3D 공간 추론(3DSRBench)이라는 세 가지 상호 보완적 영역을 아우르는 종합 벤치마크인 EDCT-Bench를 구축하였다. 평가된 VLM 전반에서 EDCT는 상당한 충실성 격차를 드러내며, 모델이 검증된 시각적 변화와 일치하지 않는 응답을 빈번하게 생성함을 보인다. 마지막으로, 본 연구의 미세조정 실험은 EDCT가 생성한 반사실이 영향력이 큰 학습 신호를 제공함을 시사한다.
매우 다른 발성 코퍼스들 사이의 음향 구조를 비교하는 것은 어렵다. 녹음마다 고유한 사건 단위가 다르고, 포함된 시퀀스의 양이 다르며, 수집 조건도 다르기 때문이다. 본 연구는 고정된 사전학습 오디오 인코더의 고차원 표현을 이용하여 음향 다양성과 시간적 조직을 측정한다. 정합 샘플링은 각 코퍼스의 고유한 사건 정의를 바꾸지 않으면서 새로운 음향 형태와 사건 간 관계를 관찰할 기회를 모든 코퍼스에 동일하게 부여한다. 비교마다 1,952개의 사건과 1,700개의 인접 쌍을 사용하여 향유고래 코다, 인간 음성의 음소, 벵골핀치의 음절, 흔한 마모셋의 울음소리를 비교한다. 고래는 인코더가 정의한 음향 군집의 누적이 가장 빠르고, 핀치는 일반적인 블록 내 셔플에 대비하여 반복 시퀀스 재현성이 가장 강하다. 인접 사건 간 의존성은 소스와 위치 통제 하에서 두 종 사이에 거의 일치한다. 두 번째로 앞선 사건은 다른 코퍼스에 비해 고래에서 보류된 데이터의 예측을 더 유리하게 변화시키지만, 고래 단독의 개선은 여전히 불확실하다. 파형 측정은 몇몇 차이를 재현하지만, 지속 시간과 수집 조건에 민감한 특성 또한 기여한다. 종합하면, 이 결과는 사전학습된 표현이 서로 다른 형태의 발성 조직을 어떻게 측정할 수 있는지를 보여주며, 파형 및 소스 통제는 비교의 범위를 규정한다.
스케일링 법칙(Scaling laws)은 대규모 파운데이션 모델 학습(training)을 위한 설계 선택을 안내하지만, 이를 도출하려면 하이퍼파라미터, 토큰(token) 예산, 매개변수(parameter) 수 전반에 걸쳐 포괄적인 그리드를 학습해야 하므로 연산 비용이 많이 듭니다. 그러나 스케일링 법칙을 피팅하는 데는 연산 규모 전반에 걸친 최적 손실(loss) 프론티어만 필요할 뿐, 학습된 대부분의 구성은 버려집니다. 본 논문에서는 데이터 수집을 베이지안 최적화(Bayesian optimization) 문제로 공식화하여 효율적으로 스케일링 법칙을 구축하는 프레임워크를 제안하고, 제한된 연산 예산 하에서 스케일링 법칙 피팅 방법을 비교하기 위한 지표를 도입합니다. 탐색 과정에서 연산 예산을 점진적으로 확장하는 방식이 실제 연산 순서에 따른 구성 평가를 반영하여 복원 효율성을 크게 향상시킨다는 점을 발견했습니다. 그런 다음 관측된 구성을 대리 모델 가상 평가(surrogate-fantasized evaluations)로 보강하여 더 넓은 실험 그리드를 복원함으로써, 모든 구성을 학습하지 않고도 정확한 스케일링 법칙 피팅을 가능하게 합니다. 이들을 결합하면 전체 조밀 그리드에 대한 스케일링 법칙 피팅 결과와 거의 일치하면서도 연산량을 최대 $10\text{--}100\times$까지 절감할 수 있습니다.
Persistent-memory agents can follow stale information despite current authoritative evidence. We study stale-evidence reliance across Qwen3 0.6/1.7/4/8B checkpoints using two controlled, action-scored suites: a Benefit suite requiring stored information and a Safety suite providing current evidence as static prompt text. We distinguish stale-value reliance from net accuracy loss relative to no memory. Benefit-suite reliance is 0.92-1.00 across checkpoints. In the Safety suite, larger checkpoints resist a plain stale note but incur substantial harm when it appears newer. A full $2\times2\times2\times2$ factorial manipulates label, recency, source authority, and position. Direct cross-size contrasts identify stronger recency effects in the larger tested checkpoints and a position-effect sign reversal within Qwen3. Metadata improves accuracy at all four checkpoints, with larger gains at 4B/8B; pre-resolution yields near-ceiling accuracy across all four. Llama-Instruct comparisons provide cross-family evidence for selected effects, while RGB and MisBench corroborate stale-value reliance. A framing control shows that the failure extends beyond memory-labeled content. These results characterize cue-dependent vulnerability across tested checkpoints without isolating capability or evaluating a complete memory lifecycle.
대규모 언어 모델 서비스의 안전장치는 일반적으로 테스트 모음에 대한 공격 차단률로 평가된다. 배포 결정은 공격자가 시스템으로부터 여전히 얻을 수 있는 유해한 지원의 정도에도 좌우되지만, 이러한 차단률은 이를 측정하지 못한다. 공개된 평가가 배포 안전성에 대해 무엇을 입증하는지 판단하기 위해, 본 연구는 보고된 결과를 특정 결과 및 위협 모델 하에서 남을 수 있는 유해 지원의 최소량과 최대량으로 변환하는 프레임워크를 개발한다. 검사를 통해 공격을 차단하는 안전장치의 경우, 공격자가 얻을 수 있는 최대량이 세 가지 속성에 좌우됨을 보인다. 즉, 공격 경로가 검사를 거치는지 여부, 위협 모델 내 모든 공격자에 대한 검사의 미탐지율, 그리고 차단 후 남는 지원의 양이다. 본 연구는 이 프레임워크를 52편의 논문에 실린 85건의 안전장치 평가에 적용하였다. 이 중 모든 공격 경로가 검사를 거친다고 주장하는 것은 5건뿐이며, 차단 후 무엇이 남는지에 대한 증거를 제공하는 것은 4건이다. 이러한 증거 공백은 실질적인 결과를 낳는다. NeMo Guardrails의 기본 스트리밍 구성에서 검사는 본 연구의 테스트에서 비밀번호 유출의 94%를 차단했으나, 차단 여부와 관계없이 모든 유출 사례에서 클라이언트는 비밀번호를 받았다. 본 연구는 각 안전장치 범주의 평가가 세 가지 속성 중 어느 것을 누락하는지, 그리고 공격이 검사를 우회하는 네 가지 방식 각각에 대해 무엇을 측정해야 하는지를 규명한다. 출시 전에 이러한 측정을 요구하는 배포는 공격자가 배포된 시스템으로부터 얻는 것을 제한하는 안전장치를 선택하고 구성할 수 있다.
아랍어 대규모 언어 모델(LLM)은 무해하거나 민감한 프롬프트를 과도하게 거부하지 않으면서 유해한 프롬프트는 거부해야 하지만, 단일 거부율로는 이러한 상충 관계가 드러나지 않는다. 우리는 무해 프롬프트 거부율 B와 유해 프롬프트 거부율 H를 사용하여 이를 평가하며, 여기서 H는 유해한 응답에 대한 순응이 아니라 거부를 측정한다. 아랍어를 지원하는 다섯 개 모델과 사람이 작성한 전체 AraSafe 세트에 대한 130회 실행 결과, 거부 데이터만 사용한 지도 미세조정(SFT)은 전면 거부로 붕괴하는 반면, 선별된 혼합 SFT 구성은 B = 14%~23%에서 H = 90%~93%에 도달한다. 선별된 구성 네 가지는 세 번의 실행 모두에서 H = 90% 목표를 초과하며, Fanar는 세 번 중 두 번 초과한다. 직접 선호 최적화(DPO)와 추론 가드는 모델에 따라 B와 H를 서로 다르게 변화시키며, 일률적인 성능 향상 수단으로 작동하지 않는다. 블라인드 방식으로 진행한 300개 응답 감사에서 주석자 간 이진 거부 판단 일치율은 89.0%(kappa = 0.78)이며, Qwen3Guard와 Aya Expanse 32B의 정확도는 각각 88.7%와 91.0%로, 쌍체 비교에서 결정적인 차이는 나타나지 않았다. 선별된 SFT는 다섯 개 모델 모두에서 아랍어 로마자 표기(Arabizi)에 대한 H를 높이지만 어느 모델도 90%에 도달하지 못하여, 현대 표준 아랍어(Modern Standard Arabic)로부터의 전이가 부분적임을 보여준다. 종합하면, 이 결과는 모델별로 운영점(operating point)을 선택하는 접근을 뒷받침한다. 즉 배포 목표를 설정하고, 이를 개선하는 개입만 유지해야 한다.
표현 학습(representation learning)은 학습(training)이 데이터 간의 유사도를 정의하는 특징을 변화시킬 때 시작됩니다. 동결(freezing)된 커널(kernel) 모델(model)은 고정된 기하 구조의 가중치만을 재조정할 뿐입니다. 본 연구에서는 양자 신호 처리(Quantum Signal Processing, QSP)가 표현 학습 영역에서 해석 가능한 양자 모델임을 규명합니다. 임의의 깊이에서 QSP의 양자 신경 탄젠트 커널(quantum neural tangent kernel)의 정확한 평균과 분산을 계산하여, 기저 유니터리(unitary)가 하르 무작위성(Haar randomness)에 접근할 때조차 대각 성분이 자체 평균화(self-averaging)되지 않는 입력 의존적 각도 기하학을 밝혀냅니다. 또한 커널을 동결하거나 앙상블(ensemble) 평균을 취하지 않고도 전체 비선형 그래디언트(gradient) 흐름에 대한 희소 데이터 보장을 증명합니다. 즉, 실현된 동역학은 시간 의존적 커널 닫힘(kernel closure)과 명시적인 수렴(convergence) 시간을 갖는 적분 가능한 스칼라 흐름으로 수렴합니다. 유한한 깊이에서의 속도 한계는 모든 데이터셋과 궤적에 대해 성립합니다. 더 높은 데이터 밀도에서 수치적 결과는 스칼라 및 동결 커널 설명을 모두 넘어서는 결합 진화를 보여줍니다. 이러한 결과는 동결 한계를 넘어서 증명 가능한 학습 동역학을 바탕으로 학습된 양자 데이터 기하학에 대한 통제된 이론을 제공합니다.
희소 오토인코더(SAE)는 생물학 및 기타 분야의 AI 모델이 지닌 초인적 능력을 설명함으로써 이러한 모델을 과학적 발견의 엔진으로 만들 수 있다. 본 연구는 잠재 변수가 유용하려면 세 가지를 알아야 한다고 가정한다. 즉, 그것이 일관적인지, 기술될 수 있는지, 그리고 그 기술이 예측력을 갖는지이다. 이 질문들은 흔히 혼동된다. 본 연구는 이들을 하나의 파이프라인으로 조립하고 몇 가지 실용적인 혁신을 보고한다. 첫째, 시드 간 사전 안정성은 조사에 자원을 투입할 가치가 있는 잠재 변수의 우선순위를 정한다. 둘째, 침입자 탐지 과제는 잠재 변수를 활성화하는 예시들이 인식 가능한 패턴을 공유하는지를 묻는다. 셋째, 별도의 단계에서 후보 생물학적 기술을 제안하고, 이를 in silico로 검증할 수 있는 반증 가능한 예측으로 변환한다. Boltz-1 Pairformer 트렁크에 적용했을 때, 안정성 우선순위화는 약 4.4배 적은 잠재 변수 평가와 5.2배 낮은 측정 LLM 비용으로 해석 가능한 잠재 변수를 찾아내면서 그중 절반 이상을 회복한다. 그러나 본 연구의 설정에서 LLM 판정자는 일관된 잔기 정체성에 크게 편향되어 있으며, 높은 아미노산 정체성 정밀도를 가진 특징을 선택하는 단순한 필터가 안정성 임계값 방식보다 성능이 우수함을 확인하였다. 이 더 단순한 방법은 추가 SAE 시드가 필요 없다는 부가적 이점이 있지만, 이것이 진정으로 유용한 휴리스틱을 반영하는지 아니면 LLM 판정자의 한계를 반영하는지는 여전히 불확실하다.
연구 대상 과수원에서 감나무 새순 생장기의 정찰은 잎 색 변화, 잎 면적, 마디 간 길이에 초점을 맞춘다. 여러 경로가 하나의 진입 통로를 공유할 수 있지만, 각 경로는 다른 경로가 놓치는 열 구간의 시야를 제공할 수 있다. 본 연구는 고정된 행동 예산 하에서 상호 보완적인 경로를 학습하기 위한 CoverShare를 소개한다. 병렬 상태 엔트로피 최대화를 위한 정책 경사(Policy Gradient for Parallel State Entropy maximization, PGPSE) 내에서 CoverShare는 각 정책이 제외될 때 상실되는 상태 커버리지와 각 상태를 방문하는 정책의 수에 따라 보조 보상을 재분배한다. 이는 통합 엔트로피 목적과 총 보조 보상을 보존한다. 5개 구역에 걸쳐 관측 가능한 107개의 감 정찰 단위가 있는 6.7ha 부지의 주석 처리된 도로망을 시뮬레이션하였다. 경로당 40회 행동에서 여섯 개의 서로 다른 정책은 점검당 평균 17.84개 단위를 커버한 반면, 하나의 정책을 독립적으로 여섯 번 실행한 경우는 8.28개였으며, 이는 여덟 개의 학습 시드에 대한 평균이다. 동일한 정책을 40회 행동 경로로 학습시킨 상태에서 각 점검 경로를 80회와 120회 행동으로 늘리면 커버리지는 22.52개와 28.38개 단위로 상승했다. 일곱 개의 공개 이산 상태 과제 전반에서 CoverShare는 팀 엔트로피 기준선 대비 상태 지지 집합을 평균 16.29% 증가시켰다. 통제된 절제 실험은 정책 하나를 제외한 커버리지가 이러한 향상의 주요 기여 요인임을 확인하였다.
지식 그래프(KG) 기반 검색 증강 생성(RAG)은 구조화된 지식을 활용하여 대규모 언어 모델(LLM)에 고품질의 외부 정보를 제공한다. 이러한 연구를 바탕으로 최근에는 다중모달 지식 그래프(MMKG)를 GraphRAG의 지식 베이스로 활용하는 연구가 진행되고 있다. 이를 통해 GraphRAG는 여러 모달리티에 걸친 지식을 통합할 수 있으며, 그 결과 성능이 더욱 향상된다. 그러나 기존의 MMKG 기반 RAG 방법은 일반적으로 서로 다른 모달리티를 대체로 독립적으로 처리한 뒤 융합하는 공통된 파이프라인을 따른다. 그 결과 시각 정보 추출과 이후의 다중모달 지식 융합 과정에서 텍스트 문맥이 제한적으로만 사용된다. 이는 이미지와 텍스트 사이에 의미적 간극을 초래하여 다중모달 GraphRAG의 성능을 제한한다. 이 문제를 해결하기 위해 본 논문은 다중모달 GraphRAG를 더 잘 지원하는 문맥 강화 MMKG(CEMMKG)를 구축하기 위한 새로운 프레임워크를 제안한다. 제안하는 CEMMKG는 각 이미지를 지역 범위와 전역 범위의 보완적인 텍스트 문맥으로 풍부하게 한다. 지역 문맥은 이미지 주변 텍스트를 넘어 이미지와 의미적으로 관련된 문장까지 포함하며, 전역 문맥은 문서 전체의 요약을 제공한다. 또한 지역 문맥에 다중 입도 설계를 도입하여 서로 다른 수준의 세부 단위에서 의미적으로 관련된 정보를 포착할 수 있도록 한다. 여러 데이터셋에 대한 폭넓은 실험을 통해 CEMMKG가 문맥 정보를 활용하여 MMKG 기반 RAG의 성능을 향상시키는 데 효과적임을 검증한다. 더불어 서로 다른 MMKG 기반 RAG 방법 전반에서의 효과는 이 방법의 폭넓은 적용 가능성을 보여준다.
기침 음향은 비침습적 결핵(TB) 선별에 유망하지만, 기계학습(ML) 모델이 질병 관련 음향을 포착하는지 아니면 데이터 수집 과정의 인공물을 포착하는지는 아직 해결되지 않았다. 본 연구는 세 개의 독립적인 데이터셋에 걸쳐 고전적 ML 및 딥러닝(DL) 기반 기침 TB 분류기의 데이터셋 간 일반화 성능을 평가하였다. 데이터셋 내부 성능은 중간 수준(ROC-AUC 최대 $0.76 \pm 0.06$)이었음에도 두 파이프라인 모두 일반화에 실패했으며, 외부 성능은 자주 0.6 미만이었고 이는 데이터 자체의 한계 가능성을 시사한다. 또한 오디오 표현이 TB 여부가 아니라 녹음 장치와 데이터셋에 따라 구조화되어 있고, 예측된 TB 확률이 CODA에서 국가 수준의 유병률을 따라가며, 장치 불일치는 전이 성능을 저하시키는 반면 장치가 다양한 학습은 이를 개선함을 관찰하였다. 아울러 임상 변수 기반 기준 모델은 더 일관되게 일반화되었으며(ROC-AUC $0.65-0.71$), 이는 음향의 수집 환경별 변동성이 낮은 일반화의 더 강력한 요인임을 나타낸다. 높은 데이터셋 내부 성능만으로는 충분하지 않다. 기침 기반 TB 모델이 임상적으로 준비되기 위해서는 외부 검증이 필수적이다.
신경망 조합 최적화(NCO) 솔버는 인스턴스당 샘플링된 여러 해 중 최선의 결과를 보고하며, 관례상 샘플 수는 모든 인스턴스에 대해 동일합니다. 고정된 총 예산을 불균등하게 할당하는 것이 이득을 가져다주는지는 지금까지 측정되지 않았습니다. 본 논문에서는 이를 측정하고, 측정 과정 자체를 검증합니다. 첫째, 분포 내(in-distribution) 워크로드에서는 할당 여유(headroom)를 감지할 수 없습니다. 균일 분포 TSP-100에 대한 세 가지 사전학습 솔버(POMO, AM, SymNCO) 전반에서, 동일하게 저장된 샘플에 대해 계산 및 평가된 오라클(oracle) 할당은 0을 제외하는 구간과 함께 2.2~2.6%의 이득을 보고하지만, 표본 외(out-of-sample)로 측정하면 동일한 이득이 0과 구분되지 않습니다(0.457%, 0.015%, -0.512%). 관례적인 표본 내(in-sample) 절차를 따를 경우 세 솔버 모두 실제로는 존재하지 않는 2% 수준의 발표 가능한 이득을 뒷받침했을 것입니다. 저자들은 실제 이득이 구조적으로 0인 인스턴스별 귀무가설에 대해 이 바이어스를 보정하며, 테스트한 범위 내에서는 샘플이나 인스턴스가 늘어나도 이 바이어스가 줄어들지 않습니다. 둘째, 유령 이득(phantom gains)을 제거하는 것과 동일한 보정 방법이 실제 이득은 보존합니다. 분포 변화(균일 인스턴스와 군집 인스턴스가 혼합된 워크로드) 하에서, 사전 등록된 확증적 실험을 통해 홀드아웃 샘플 통계에 의해 유도된 할당이 동일한 평가 예산에서 신호 획득 비용을 청구하지 않았을 때 best-of-k를 11.5%(AM, 1차 평가변수; 95% 신뢰구간 [7.4, 19.7]) 및 12.0%(SymNCO, 재현) 향상시킴을 확인했습니다. 반면 사전 등록된 음성 대조군(POMO, 분포 변화에 대해 자릿수 단위로 더 강건함)은 -0.3% [-0.7, 0.24]를 나타냅니다. 이 이득은 고정된 분포 라벨 기준선을 4.2%포인트 [1.9, 7.7] 초과합니다. 동일 예산에 대해 20개 샘플 탐색 비용을 청구하는 탐색적 정책은 3.4%(AM) 및 4.6%(SymNCO)의 이득을 유지합니다. 저자들은 보정 절차와 보고 체크리스트를 제시하며, 모든 데이터, 코드 및 사전 등록 기록을 공개합니다.
최신성 효과와 초두 효과 같은 위치 편향은 대규모 언어 모델(LLM)에서 보고되어 왔으나, 이 모델들이 평가를 내리는 근본 메커니즘은 여전히 잘 이해되지 않고 있다. 초두 편향과 최신성 편향은 모두 증거에 대한 인간의 판단에서 관찰되었지만, 최근 연구는 청자가 믿음을 갱신하는 시점, 즉 증거가 제시되는 동안인지 마지막에만인지가 이러한 효과의 존재에 영향을 준다고 시사한다. 우리는 LLM에서도 유사한 현상이 나타나는지 조사하였으며, 인간의 행동과 다른 양상을 발견하였다. 이러한 편향은 이전 모델에 비해 최신 모델에서 더 두드러진다.
Multi-agent reinforcement learning (MARL) for human-AI interaction usually trains the agent against a single large language model (LLM) that simulates the user. We show that agents trained this way can systematically fail to generalize, and we trace the failure to simulator collapse: the simulator LLM is mode-collapsed, and a policy trained against it learns narrow strategies that exploit the simulator's mode behavior; these strategies transfer poorly to unseen simulators and to real users. We formalize the collapse and propose two solutions. Verbalized Sampling, applied at inference time, samples each simulator reply from a verbalized response distribution. Co-Training, applied during training similar to self-play, co-evolves the simulator as the policy, so the policy cannot exploit the mode behavior. A population variant samples the simulator for each rollout from a pool of recent checkpoints. We validate both solutions on three benchmarks: Persuasion for Good, tau^2-bench, and CooperBench. Verbalized Sampling improves held-out success by up to 9% over single-simulator RL, and Co-Training pushes gains further to 14%; the human study shows similar gain on real users. Both solutions also preserve the policy diversity that collapses under single-simulator RL. Overall, our findings on simulator collapse point to diverse simulators as a requirement for RL agents that serve real users. We release SCOPE, an open-source framework for Population Co-Training in multi-agent RL.