On Information Self-Locking in Reinforcement Learning for Active Reasoning of LLM agents
이 논문은 강화학습 기반 LLM 에이전트가 능동적 추론 과정에서 정보 획득을 중단하고 기존 정보를 활용하지 못하는 '정보 자기잠금' 현상을 발견하고, 이를 해결하기 위해 방향성 피드백을 주입하는 새로운 접근법을 제안하여 성능을 최대 60% 향상시켰음을 보여줍니다.
🤖 Category
cs.AI
7984 편의 논문
Taming the Adversary: Stable Minimax Deep Deterministic Policy Gradient via Fractional Objectives
이 논문은 외부 교란과 모델 불확실성 하에서도 안정적인 성능을 보장하기 위해, 작업 수행도와 교란 강도를 균형 있게 조절하는 분수 목적 함수를 도입하여 학습된 사용자와 적대적 교란 정책 간의 미니맥스 최적화를 수행하는 'MMDDPG' 프레임워크를 제안합니다.
SommBench: Assessing Sommelier Expertise of Language Models
이 논문은 언어 모델이 텍스트 기반 학습만으로 후각과 미각에 기반한 소믈리에 전문성을 습득할 수 있는지 평가하기 위해, 와인 이론, 특징 완성, 음식-와인 페어링 등 세 가지 다국어 태스크로 구성된 'SommBench' 벤치마크를 제안하고 주요 모델들의 성능을 분석한 결과입니다.
CRAFT: A Tendon-Driven Hand with Hybrid Hard-Soft Compliance
이 논문은 관절에 연성 소재를, 링크에 강성 소재를 배치하여 강도와 내구성을 향상시키고 정밀한 반복 운동을 가능하게 하는 15 개 모터 구동 방식의 저비용 오픈소스 손 'CRAFT'를 소개합니다.
Increasing intelligence in AI agents can worsen collective outcomes
이 논문은 AI 에이전트의 지능이 향상될수록 자원이 부족할 때는 시스템 과부하와 집단적 위험이 증가하지만, 자원이 풍부할 때는 오히려 과부하가 감소하며, 이러한 결과는 AI 의 sophistication(정교함) 이 아닌 '자원 대비 인구 비율'이라는 단일 수치에 의해 결정됨을 보여줍니다.
TopoBench: Benchmarking LLMs on Hard Topological Reasoning
이 논문은 대규모 언어 모델 (LLM) 의 위상적 추론 능력을 평가하기 위해 'TopoBench'라는 벤치마크를 제안하고, 모델의 실패 원인이 추론 자체보다는 공간적 제약 조건을 추출하고 유지하는 데 있음을 규명했습니다.
Automatic Generation of High-Performance RL Environments
이 논문은 복잡한 강화학습 환경을 수개월의 엔지니어링 없이 10 달러 미만의 비용으로 고성능 구현체로 자동 변환하는 재사용 가능한 레시피를 제시하며, 이를 통해 다양한 환경에서 기존 대비 최대 22,320 배의 성능 향상과 의미적 동등성을 입증했습니다.
FlashMotion: Few-Step Controllable Video Generation with Trajectory Guidance
이 논문은 기존 다단계 생성 모델의 계산 비효율성과 기존 증류 방법의 품질 저하 문제를 해결하기 위해, 하이브리드 전략을 통해 궤적 정확도와 화질을 모두 유지하는 소수 단계의 비디오 생성 프레임워크 'FlashMotion'과 이를 평가하는 벤치마크 'FlashBench'를 제안합니다.
IsoCompute Playbook: Optimally Scaling Sampling Compute for LLM RL
이 논문은 LLM 강화학습 (RL) 후학습의 연산 효율성을 극대화하기 위해 병렬 롤아웃 수, 배치 내 문제 수, 업데이트 단계 수 간의 최적 자원 배분 전략을 제시하며, 병렬 롤아웃 증가는 문제 난이도에 따라 솔루션 정교화 또는 탐색 범위 확장을 통해 성능을 향상시킨다는 실증적 결과를 도출했습니다.
GlyphBanana: Advancing Precise Text Rendering Through Agentic Workflows
이 논문은 복잡한 문자와 수식의 정확한 렌더링을 위해 보조 도구를 활용해 글리프 템플릿을 잠재 공간과 주의 맵에 주입하는 훈련 없는 에이전트 워크플로우인 GlyphBanana 를 제안하고, 이를 통해 기존 모델들보다 뛰어난 정밀도를 달성함을 보여줍니다.
A Quantitative Characterization of Forgetting in Post-Training
이 논문은 포스트 트레이닝 중 발생하는 망각을 '질량 소실'과 '구성 요소 이동'으로 정의하고, KL 발산 방향, 기하학적 행동 중복도, 샘플링 전략 및 과거 데이터 가시성 간의 상호작용을 통해 망각을 정량화하는 이론적 틀을 제시합니다.
BehaviorVLM: Unified Finetuning-Free Behavioral Understanding with Vision-Language Reasoning
이 논문은 인간 주석과 파인튜닝 없이도 시·공간적 추론과 대규모 언어 모델 기반의 논리적 추론을 통해 동물 행동 분석 및 포즈 추정을 위한 확장 가능하고 해석 가능한 통합 프레임워크인 'BehaviorVLM'을 제안합니다.
Strategic Navigation or Stochastic Search? How Agents and Humans Reason Over Document Collections
이 논문은 MADQA 벤치마크와 새로운 평가 프로토콜을 통해 멀티모달 에이전트가 인간과 유사한 정확도를 달성하더라도 전략적 추론보다는 무작위 검색에 의존하며 효율성 측면에서 한계를 보임을 규명합니다.
Proof-Carrying Materials: Falsifiable Safety Certificates for Machine-Learned Interatomic Potentials
이 논문은 단일 머신러닝 원자간 전위 (MLIP) 모델이 안정성 필터링에서 93% 의 실패율을 보인다는 문제를 지적하고, 적대적 검증, 부트스트랩 신뢰구간, 그리고 Lean 4 형식 증명을 결합한 'Proof-Carrying Materials (PCM)' 프레임워크를 통해 MLIP 기반 신소재 발견의 신뢰성과 수율을 획기적으로 개선하는 방법을 제시합니다.
Compiling Temporal Numeric Planning into Discrete PDDL+: Extended Version
이 논문은 PDDL+의 의미론을 완전히 포착하고 실험적으로도 검증된 다항식 시간 복잡도의 실용적인 컴파일 기법을 통해, 지속적 행동을 포함하는 시계열 수치 계획 문제를 PDDL+로 변환하는 방법을 제시합니다.
WORKSWORLD: A Domain for Integrated Numeric Planning and Scheduling of Distributed Pipelined Workflows
이 논문은 분산 데이터 파이프라인의 자동화된 계획 및 스케줄링을 위해 WORKSWORLD 라는 새로운 도메인을 제안하고, 이를 통해 데이터 소스, 구성 요소, 목적지를 정의하는 것만으로 분산 워크플로우 그래프를 구축하고 자원에 스케줄링하는 통합 해결책을 제시합니다.
RDNet: Region Proportion-Aware Dynamic Adaptive Salient Object Detection Network in Optical Remote Sensing Images
이 논문은 광학 원격 탐사 이미지의 다양한 크기 변화와 글로벌 컨텍스트 모델링 문제를 해결하기 위해 SwinTransformer 백본과 동적 적응 세부 인식 (DAD), 주파수 정합 컨텍스트 강화 (FCE), 영역 비율 인식 위치 확인 (RPL) 모듈을 결합한 RDNet 을 제안하여 기존 방법보다 우수한 성능을 달성함을 보여줍니다.
Portfolio of Solving Strategies in CEGAR-based Object Packing and Scheduling for Sequential 3D Printing
이 논문은 현대 멀티코어 CPU 의 병렬 처리 능력을 활용하여 순차적 3D 프린팅을 위한 객체 배치 및 스케줄링 문제를 해결하는 '포트폴리오 기반 CEGAR-SEQ' 알고리즘을 제안하고, 다양한 배치 전략을 병렬로 실행함으로써 기존 알고리즘보다 더 적은 프린트 플레이트로 더 효율적인 스케줄링을 달성함을 보여줍니다.
Sparking Scientific Creativity via LLM-Driven Interdisciplinary Inspiration
이 논문은 연구 목표에서 출발해 도메인 간 통찰을 체계적으로 도출하여 인간의 창의적 추론과 LLM 을 지원함으로써 과학적 발견의 혁신을 촉진하는 'Idea-Catalyst'라는 새로운 프레임워크를 제안하고, 이를 통해 연구의 참신성과 통찰력을 유의미하게 향상시켰음을 입증합니다.
Neural Thickets: Diverse Task Experts Are Dense Around Pretrained Weights
이 논문은 대규모 사전 학습 모델의 가중치 주변에 다양한 작업 전문가들이 밀집해 있음을 발견하고, 이를 바탕으로 단순한 무작위 섭동 샘플링과 다수결 투표만으로 PPO 나 GRPO 와 같은 표준 미세 조정 방법과 경쟁력 있는 성능을 달성하는 새로운 병렬 후학습 기법을 제안합니다.