제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.
arXiv:2610.33018v1 발표 유형: 신규 초록: 학술 지식 그래프(SKG)는 문헌 검색, 과학적 발견 및 에이전트 지원 연구를 지원합니다. 그러나 SKG 구축을 위한 대부분의 접근법은 일반적으로 학술 개체나 기여 수준의 진술로 명명되는 표현할 지식 단위를 사전에 규정하고, 해당 단위를 통해 표현 가능한 출판 내용만을 유지합니다. 이러한 선택은 두 가지 주요하면서도 서로 다른 패러다임을 낳습니다: 개체와 지역적 관계를 보존하는 개념 중심 SKG와 문장 단위의 고차원 담론을 포착하는 진술 중심 SKG입니다. 두 경우 모두, 그래프는 논문이 지식을 구성하고 전달하는 방식이 아니라 선택된 추출 목표를 반영합니다. 우리는 SUDO, 즉 학술 상위 담론 온톨로지를 제안하며, 이는 지식이 어떻게
arXiv:2610.33047v1 발표 유형: 신규 요약: 장기간 작동하는 어시스턴트는 종종 여러 번의 대화 전에 설정된 지시사항, 제약 조건 및 현재 목표를 포함한 후속 요청을 해석합니다. 따라서 핵심 과제는 단순히 문맥 길이가 아니라 검색 의도입니다. 예를 들어, “이전 구성 사용”과 같은 현재 쿼리는 관련 증거를 찾는 데 필요한 프로젝트, 엔터티, 버전 등의 용어를 생략할 수 있습니다. 장기 문맥 모델은 대화 기록을 재생하여 이러한 용어를 복구할 수 있지만, 반복적으로 이전 대화를 처리하는 비용을 부담해야 합니다. 기존의 검색 강화 생성(RAG) 방식은 비용이 더 저렴하지만, 정보가 충분한 쿼리라는 전제를 가집니다. 대화형 재작성 방식은 기록을 다시 읽거나 명시적으로 유지되는 텍스트 메모리에 의존합니다. 우리는 \emph{매개변수형 세션 상태}를 도입합니다
2026년 10월 24일 arXiv에 게재된 연구 논문(번호 2610.30664v1)은 계층적 검색 증강 생성(Hierarchical RAG)에서 대규모 언어 모델의 자회귀 제어 로직을 정책 정확(policy-exact)한 병렬 추론 프로세스로 컴파일하는 새로운 방법을 제안하며, MetaX 장치에서 제어 지연을 35–47% 감소시키는 동시에 정책 일관성을 84–89% 유지한다고 밝혔다.
추천 이유：이 성과는 LLM이 구조화된 의사결정 제어기로 활용될 때 일반적으로 직렬 텍스트 디코딩에 의존하는 병목 현상을 해결하기 위해, 이론적으로 입증 가능한 병렬 컴파일 방안을 제시한다. 실험은 실제 하드웨어(MetaX, H800)와 다중 데이터 분할을 기반으로 검증되었으며, 처리 속도가 뛰어나고 기술적 세부사항이 명확하여 최첨단 신뢰성 있는 AI 시스템 최적화 연구에 해당한다.
