PyTorchKR Papers

최신 논문

총 8편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.15915v1cs.CV

VIEWCRAFT: 멀티모달 에이전트가 보는 대상과 이를 읽는 방식의 공동 진화

VIEWCRAFT: Evolving What Multimodal Agents See and How They Read It

재사용 가능한 스킬은 모델(model) 가중치를 업데이트하지 않고도 멀티모달 에이전트(multimodal agent)를 향상시키지만, 그 효과는 제시되는 근거(evidence)와 이를 읽는 데 사용되는 절차 모두에 의존합니다. 본 논문에서는 실행 가능한 근거 인터페이스와 해당 인터페이스의 읽기 절차를 함께 공동 진화시키는 ViewCraft를 소개합니다. 인터페이스는 관측치를 선택, 변환, 구성하며, 리더(reader)는 그 결과로 생성된 뷰(view)를 해석합니다. 실패 추적(failure trace)은 수정을 안내하고, 리플레이 및 쌍체 평가(paired evaluation)는 유용한 변경 사항을 유지하며, 인터페이스 프로젝션은 적격한 기각 공동 제안으로부터 시각적 편집 내용을 복구합니다. 8개 벤치마크(benchmark) 전반에서 ViewCraft는 직접 실행 방식 대비 태스크 점수를 평균 $6.1$점 향상시켰으며, 모든 벤치마크에서 성능 향상을 달성했습니다. 이러한 이점은 일치된 입력 토큰(token) 예산 하에서도 유지됩니다. 5개의 모든 다중 소스 태스크에서 학습된 인터페이스는 초기 스킬보다 8%~15% 더 적은 입력 토큰을 사용합니다. 또한 학습된 스킬은 실행기(executor) 간에 전이되며 평가된 모든 전이 환경에서 직접 실행 방식을 능가하여, 결합된 재사용 가능 스킬로서의 근거 구축 및 읽기 접근법을 뒷받침합니다.

arXiv:2609.19617v2cs.HC

DataCanvas-EDU: 비즈니스 애널리틱스 교육을 위한 교수자 주도형 합성 데이터 생성 에이전트 프레임워크

DataCanvas-EDU: An Agentic Framework for Instructor-Guided Synthetic Data Generation in Business Analytics Education

비즈니스 애널리틱스 교육에는 다양한 학습 목표, 학생들의 배경 지식, 분석 과제를 지원하기 위한 다채로운 데이터셋이 필요합니다. 실제 데이터는 확보하기 어려울 수 있으며, 특정 강좌에 맞게 사례를 조정하는 데 유연성이 제한적입니다. 적합한 데이터를 확보하더라도 교수자는 패턴을 조사하고 결과를 검증하며 과제와 모범 답안을 준비해야 하므로 상당한 시간과 노력이 소모됩니다. 대규모 언어 모델(LLM)의 사용은 학습(training) 데이터 오염이라는 추가적인 문제를 야기합니다. 널리 사용되는 공개 데이터셋에는 모델이 학습 중에 접했을 수 있는 광범위한 튜토리얼과 풀이 분석이 이미 존재하는 경우가 많습니다. 이에 따라 학생들은 AI와 협업하여 낯선 데이터를 탐구하는 연습을 거치지 않고 기존 분석에서 도출된 설명을 그대로 받아들이게 될 수 있습니다. 본 논문에서는 비즈니스 애널리틱스 교육에서 교수자 주도 하에 합성 데이터를 생성할 수 있는 에이전트(agent) 프레임워크인 DataCanvas-EDU를 제시합니다. 교수자가 대화를 통해 교수 목표와 의도한 패턴을 명시하면, AI 에이전트가 생성 코드를 작성하고 생성된 데이터를 확인하며 과제, 모범 분석, 평가 루브릭을 준비합니다. 계획(Plan), 생성(Create), 검증/테스트 분석(Verify / Test Analysis), 평가(Evaluate)의 4단계로 프로세스를 구성하여 교수자의 검토와 수정을 지원합니다. 이 프레임워크는 사례 준비를 단순화하는 동시에 학생들이 AI와 함께 새롭게 설계된 패턴을 탐구할 기회를 제공하도록 고안되었습니다. 저자들은 15,000건의 주문과 9개의 설계된 패턴을 포함하는 음식 배달 사례인 WindowDash를 통해 본 접근법을 실증합니다. DataCanvas-EDU는 호환 가능한 에이전트 환경에서 재사용 가능한 AI Agent Skill로 패키징되어 있으며, 패키지와 설치 방법은 https://github.com/BANG23333/datacanvas-edu 에서 확인할 수 있습니다.

arXiv:2610.02376v1cs.PL

Coco: 하드웨어-소프트웨어 통합 설계 수명주기를 위한 에이전트 기반 코파일럿

Coco: An Agentic Copilot for the Hardware--Software Co-Design Lifecycle

머신러닝 모델과 이를 실행하는 가속기를 통합 설계(co-design)하는 것은 특이한 추론 작업입니다. 아키텍트는 아직 존재하지 않는 시스템에 대해 중대한 결정을 확신을 가지고 내려야 하며, 모델 발전 속도와 하드웨어 출시 주기 모두로 인해 분석 부담이 분기마다 증가합니다. 각 결정의 근거가 되는 새로운 설계 지점에 대한 수백 기가바이트의 최신 시뮬레이션 스윕(simulation sweep) 데이터는 구조적으로 어떤 대규모 언어 모델(LLM)의 사전학습 말뭉치에도 존재하지 않으며, 검색할 수 있는 외부 문헌도 없습니다. 단순한 '데이터와의 대화(chat-with-your-data)' 접근 방식은 정확성이 가장 중요한 지점에서 바로 환각을 일으킵니다. 본 논문에서는 실험 설정, 시뮬레이터 스윕 실행, 인사이트 도출로 이어지는 통합 설계 수명주기를 가속하기 위해 TPU 아키텍트들과 함께 배포된 에이전트(agent) 플랫폼인 Coco(Copilot for Codesign)를 제시합니다. Coco는 네 개의 계층으로 구축되었습니다. (i) 모든 시뮬레이션 스윕을 정규화된 관계형 스키마에 자동으로 등록하여 에이전트가 이기종 파일을 스크래핑하는 대신 SQL 쿼리를 통해 모든 수치를 그라운딩하도록 하는 데이터스토어, (ii) 인간의 개입 없이 에이전트가 조합할 수 있는 타입이 지정된 API 도구 라이브러리, (iii) 반복적인 분석 워크플로우를 부호화하는 에이전트—특히 파레토 경계(Pareto frontier)에서 벗어난 스윕되었으나 지배된 지점을 포함해 일치된 실행 구성에서 시스템을 비교하는 동일 실행(iso-execution) 분석, (iv) 탐색 상태가 에이전트 컨텍스트 역할을 겸하는 플랫폼 UX입니다. 저자들은 시뮬레이션 소요 시간 및 인사이트 도출 시간 단축으로 이어지는 초기 배포 경험을 보고하며, 통합 설계가 차별화된 에이전트 도메인임을 주장합니다. 즉, 데이터는 암기되기보다는 검색되어야 하고, 워크플로우는 반복적이지만 맥락 의존적이며, 전문가의 채택은 IDE 스타일의 제어와 대화형 탐험 간의 균형을 맞추는 UX에 달려 있습니다.

arXiv:2609.22951v1cs.AI

AgentRouter: 비용 최적 다단계 에이전트 워크플로우를 위한 이종 모델 라우팅

AgentRouter: Heterogeneous Model Routing for Cost-Optimal Multi-Step Agentic Workflows

기업용 에이전트 시스템이 궤적의 모든 단계를 프론티어 모델로 라우팅하면, 더 작은 모델도 동등하게 처리할 수 있는 하위 과제에 추론 예산의 60–80%를 낭비한다. 기존 라우팅 솔루션은 단일 턴(single-turn) 쿼리 할당을 최적화하지만, 에이전트 워크플로우에만 있는 한 속성을 간과한다. 단일 궤적 안에서 하위 과제 복잡도가 크게 달라진다는 점이다. 계획 단계는 프론티어급 추론을 요구할 수 있는 반면, 이어지는 포맷팅 단계는 7B 모델만으로 충분할 수 있다. 우리는 단계 수준(step-level) 모델 라우팅을 에이전트 궤적에 대한 순차 할당 문제로 형식화하고 AgentRouter를 제안한다. AgentRouter는 경량 분류기(1,200만 파라미터, A100 GPU에서 단계당 5ms 미만 오버헤드)로, 라우팅 시점에 추출 가능한 다섯 가지 특징을 사용해 각 궤적 단계를 네 가지 모델 계층 중 하나에 매핑한다. 계획, 코딩, 연구, 데이터 분석 과제에 걸친 50,000개의 주석이 달린 에이전트 궤적 단계로 학습된 AgentRouter는 프론티어 전용 baseline 대비 72% 비용 절감을 달성하며, 프론티어 전용 품질의 97.3%를 유지한다(End-to-end 과제 완료율에서 3% 미만 저하). 단계별 라우팅 정확도는 최소 복잡도 단계에서 91%, efficient 계층 단계에서 85%에 이르며, 더 어려운 중간·프론티어 계층에서는 76–82%이다. 동일 벤치마크에서 RouteLLM과 FrugalGPT(단계별 적용)는 각각 31%와 44%의 비용 절감에 그친다. 이는 단일 턴 학습 신호가 궤적 수준의 품질 의존성을 포착하지 못하기 때문이다.

arXiv:2607.05483v1cs.LG

투영 뷰와 검증된 구조적 업데이트를 갖춘 공유 상태 LLM 워크플로우를 위한 PatchOptic

PatchOptic for Shared-State LLM Workflows with Projected Views and Verified Structured Updates

PatchOptic은 공유 구조적 상태 위에서 동작하는 LLM 에이전틱 워크플로우의 쓰기 측 안전성 문제를 해결하기 위해, 각 단계에서 투영된 읽기 뷰와 허가된 쓰기 영역을 선언하고 커밋 전 JSON Patch를 검증하는 옵틱 기반 인터페이스를 제안한다. 46개 사례로 구성된 PatchBench 평가에서 투영된 읽기는 정보 누출과 토큰 비용을 줄이면서 출력 품질을 유지했으며, 런타임 검증은 워크플로우 계약 위반 및 숨겨진 소스를 사용하는 손상된 패치 아티팩트를 효과적으로 차단했다.

arXiv:2607.00269v1cs.AI

Mnemosyne: Agentic Transaction Processing for Validating and Repairing AI-generated Workflows

LLMs, solvers, and agent teams increasingly generate workflow actions, repairs, and plans, but a generated action may be syntactically valid yet stale, infeasible, conflicting, or destructive of the evidence that triggered a repair. We introduce Agentic Transaction Processing (ATP), a transaction model that treats generated actions as untrusted proposals until they pass deterministic admission under a declared, executable constraint set C. The principle is two-sided: a proposal is not truth, and no proposal foresees every disruption: anything may propose, but only the runtime admits and commits, and when an unforeseen disruption strikes it repairs reactively within bounds rather than trusting a fresh proposal. Relative to C, committed-state correctness becomes independent of the competence, honesty, or learning of the proposing layer. We realize ATP in Mnemosyne, a runtime with an append-only transition log, effective-state projection, dependency-safe compensation, and active commitment records, and prove four safety properties relative to C (authority separation, serial-equivalent generative admission, evidence-preserving repair, and obligation containment) together with a bounded-reactive-repair guarantee for its localized repair protocol (LCRP). A reproducible artifact rejects the targeted violations across nine falsification tests while still admitting valid work, at under 6% projection-and-validation overhead, and bounded local repair edits an order of magnitude fewer operations than global recompute. Mnemosyne is open source: https://github.com/eyuchang/Mnemosyne/tree/arxiv-atp-rq1-rq9b-r8-v2.

arXiv:2606.21565v1cs.AI

빌딩 블록을 통한 검증 가능한 개념 모델 구성: 에이전트 AI 워크플로우의 설계 시점 검증을 향하여

Composing Verifiable Conceptual Models via Building Blocks: Towards Design-Time Verification of Agentic AI Workflows

에이전트 AI 시스템은 결정, 도구, 외부 행동을 조율하는 워크플로우 아키텍처를 통해 여러 LLM 기반 에이전트를 오케스트레이션한다. 현재 플랫폼은 런타임(runtime) 안전장치를 강조하지만, 시스템 설계 단계에서 워크플로우를 검증하는 데 대한 지원은 거의 없다. 모델링 및 시뮬레이션(Modeling & Simulation) 관점에서 이 간극은, 빌딩 블록이 일관되게 상호작용하는지 검증하지 않고 개념 모델을 구성하는 것과 유사하다. 우리는 재사용 가능한 빌딩 블록의 조합으로 에이전트 워크플로우를 모델링하고 열두 가지 구조적 규칙을 통해 호환성을 검사하는 설계 시점 검증 접근법을 제안한다. 우리는 이러한 규칙을 소프트웨어 프로토타입으로 구현하고, 알려진 설계 결함이 있는 48개의 워크플로우와 워크플로우 논리는 유지하되 그래프 구조를 변경한 168개 변형을 포함하는 두 개의 공개 데이터셋으로 이를 평가했다. 결과는 결함 있는 설계가 에이전트 간 작업 분할과 같은 구조적 변환을 통해 가려지더라도 우리의 검증기가 위반을 신뢰성 있게 탐지함을 보여준다. 향후 연구에서는 우리의 검증을 빌딩 블록 커뮤니티 저장소와 결합하여 안전한 에이전트 워크플로우를 구성할 수 있을 것이다.

arXiv:2606.19795v1cs.SE

에이전트 기반 전자 설계 자동화: 인계 관점

Agentic Electronic Design Automation: A Handoff Perspective

전자 설계 자동화(EDA)는 본질적으로 다단계(multi-stage)이며 인계(handoff)가 빈번합니다. 설계 산출물, 플로우 스크립트, 엔지니어링 결정은 최종 구현, 사인오프(signoff), 또는 출시 전에 도구, 세션, 조직 경계를 넘어갑니다. 각 전달은 단계별 로컬 검사에서 완전히 포착되지 않을 수 있는 명시적 및 암묵적 요구사항을 포함합니다. 이제 대규모 언어 모델(LLM) 기반 에이전트는 EDA 도구를 직접 호출하고, 검색된 지식을 실행 가능한 스크립트에 임베딩(embedding)하며, 세션과 단계 간에 상태를 인계합니다. 출력이 다운스트림(downstream) 엔지니어링 결정에 영향을 미치게 되면, 전달된 객체는 인계 계약(handoff contract)을 충족하고 다음 소비자의 가정을 만족해야 합니다. 본 조사는 인계 유효성(handoff validity)을 구성 원칙으로 도입합니다. 인계는 전달된 객체가 소비자의 수락 조건을 충족하고 다운스트림 사용을 위해 충분한 컨텍스트(context), 증거, 출처(provenance)를 포함할 때 유효합니다. 우리는 82개 시스템을 검토하고 이를 세 가지 경계 클래스로 분류했습니다. 단계 경계(Stage-Bound) 시스템은 단일 EDA 단계 또는 제한된 검증 작업 내에서 유효성을 확립합니다. 플로우 경계(Flow-Bound) 시스템은 도구, 호출, 세션에 걸쳐 일관된 워크플로우 상태를 유지합니다. 조직 경계(Organization-Bound) 시스템은 지식 및 권한 경계에 걸쳐 소스 그라운딩(source grounding), 출처, 범위, 적격성(admissibility)을 유지합니다. 각 클래스에 대해 인계 계약, 인계 객체, 조정 메커니즘, 미해결 문제를 분석합니다. 이러한 분석은 에이전트 발견, 에이전트 메시지, 도구 호출, 워크플로우 오케스트레이션, 보안 및 IP 프로토콜을 포함하는 5계층(five-layer) EDA 에이전트 통신 프로토콜(EACP)을 동기합니다. 우리는 신뢰할 수 있는 에이전트 기반 EDA를 위한 공통 어휘와 연구 의제를 제공하는 것을 목표로 합니다.