PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.24526v1cs.CV

ME-VLM: 체화 인지와 에이전트 조정을 위한 통합 VLM

ME-VLM:A Unified VLM for Embodied Cognition and Agent Coordination

피지컬 AI(Physical AI)는 모델이 환경적 제약과 실행 피드백을 고려하면서 시각 및 언어적 이해를 실제 환경에 그라운딩(grounding)할 것을 요구합니다. 본 논문에서는 체화 인지(embodied cognition)와 멀티모달 에이전트 역량을 결합한 통합 비전-언어 모델(VLM)인 MachEmbodied-VLM(ME-VLM)을 소개하며, 4B 및 35B-A3B 두 가지 변형으로 제공됩니다. 본 연구는 디지털 및 물리적 환경 모두에서의 계획 수립, 상호작용 및 결과 평가와 함께 물리적 지각 및 시공간 추론을 강조합니다. 체화 및 멀티모달 에이전트 태스크를 포괄하는 학습(training) 데이터를 구축하였으며, 여기에는 결과 평가와 의사결정 개선을 지원하기 위한 실행 관측 및 피드백이 포함됩니다. 학습 파이프라인은 체화 역량 주입, 체화 및 멀티모달 에이전트 전문가에 대한 개별 강화학습(RL), 그리고 이들의 상호보완적 역량을 단일 모델로 통합하는 다중 교사(multi-teacher) 온-정책(on-policy) 지식 증류(distillation)로 구성됩니다. 실험 결과, 체화 및 에이전트 벤치마크뿐만 아니라 자율주행 및 체화 내비게이션 태스크에서도 경쟁력 있는 성능을 보였습니다. 엣지 배포(edge deployment)를 위해 시각 토큰(token) 압축, W4A8 양자화(quantization), 하드웨어-소프트웨어 공동 최적화를 적용하여 M100에서 4B 모델의 온디바이스 추론(inference)을 실현하고 프리필(prefill) 지연 시간을 400 ms에서 188 ms로 단축했습니다. 프로젝트 페이지: https://machembodied.com/ME-Brain/ME-VLM.html 코드 저장소: https://github.com/MachEmbodied/ME-VLM

arXiv:2606.19111v1cs.CL

조정 제어로서의 리더십: 다중 에이전트 LLM 팀에서의 행동적 시그니처와 회복-이점 경계

Leadership as Coordination Control: Behavioral Signatures and the Recovery-Advantage Boundary in Multi-Agent LLM Teams

팀 과학의 상황 종속적 리더십 관점에서 다중 에이전트 LLM 팀의 프로세스 수준 조정 제어가 가치를 더하는 조건을, 세 가지 고전적 리더십 스타일을 공유 액션 어휘(explore, revise, accept, synthesize) 위의 컨트롤러로 구현하고 행동적 시그니처와 액션별 소거로 분석한다. 네 가지 작업 체제와 세 오픈 가중치 모델 계열에서 어떤 컨트롤러도 정확도 면에서 일관되게 우위를 점하지 못했으며, 이득은 0라운드 다수결이 신뢰할 수 없고 작업이 회복 가능하며 무방향 상호작용이 보정하지 못할 때에만 나타나 이론이 예측한 회복-이점 경계와 일치한다.

arXiv:2606.12835v1cs.MA

에이전틱 AI의 인터넷: 대규모 통신, 조율 및 집단 지능

The Internet of Agentic AI: Communication, Coordination, and Collective Intelligence at Scale

고립된 추론에서 분산 시스템으로의 전환을 반영하여, 다양한 환경에서 상호작용하는 이종 에이전트들의 개방형 생태계인 Internet of Agentic AI (IoAI) 비전을 제시합니다. 단일 에이전트 AI 및 다중 에이전트 시스템의 기초를 종합하여 확장 가능한 아키텍처와 통제된 창발, 의미 상호운용성, 거버넌스와 같은 핵심 연구 과제를 규명합니다.