제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.
arXiv:2610.37681v1 발표 유형: 신규 요약: 최근 대규모 추론 모델들은 복잡한 과제를 해결하는 데 있어 뛰어난 성능을 보여왔으며, 이는 긴 사고 체인 데이터에 대한 지도학습微調(SFT)이 그들의 추론 능력을 발현하고 향상시키는 데 핵심적인 기반이 되었기 때문입니다. 추론 중심의 SFT를 개선하고 분석하는 데 있어 빠른 진전에도 불구하고, 이 분야에는 아직도 급속히 증가하는 관련 문헌을 통합적으로 정리한 체계적인 조사가 부족한 실정입니다. 이러한 공백을 메우기 위해 우리는 추론을 위한 SFT의 최근 발전상을 포괄적으로 검토하며, 방법론적 설계와 분석적 탐구라는 두 가지 관점에서 문헌을 살펴봅니다. 먼저, SFT 전반에 걸친 방법론적 개선 사항들을 검토하고 이를 데이터 중심 접근과 알고리즘 중심 접근으로 구분합니다.
arXiv:2610.33005v1 발표 유형: 신규 초록: 에너지 기반 모델은 도메인 특화 작업에서 유망한 성능을 보여왔지만, 범용 시나리오를 모델링하는 데는 여전히 어려움이 있습니다. 이러한 격차를 해소하기 위해 우리는 기초 언어 모델링을 위한 에너지 주도형 모델(ESM)을 설계합니다. ESM은 단일 아키텍처 내에서 에너지 주도와 토큰 생성을 통합하여, 에너지 기반 탐색을 활용해 토큰 생성을 정교화합니다. 구체적으로, ESM은 먼저 에너지 지형 위에서 잠재 상태를 최적화한 다음, 이 정제된 잠재 상태를 토큰 생성에 활용합니다. 대규모 말뭉치를 대상으로 이러한 에너지 기반 사전훈련을 수행함으로써, ESM은 유리한 토큰이 낮은 에너지 값을 갖는 일반적으로 효과적인 에너지 지형을 학습합니다. ESM의 스케일링 특성을 탐구하기 위해, 우리는 ESM을 사전훈련합니다
arXiv:2610.32103v1 발표 유형: 신규 초록: 약물 개발에서 리드 최적화는 투과성을 높이고 독성을 낮추는 등 상충되는 특성을 개선하는 동시에, 리드의 효능을 저해할 수 있는 골격 변화를 제한해야 한다. C-MORAL과 같은 RL 기반 사후 학습은 분자 언어 모델을 미세 조정하여 관심 있는 목표에 대해 분자 리드를 직접 최적화함으로써 이러한 문제를 해결하지만, 이는 비용이 많이 드는 특정 작업용 데이터셋에 의존하며 다목적 최적화(MOO) 달성에도 어려움을 겪는다. 우리는 사전 학습된 모델이 이미 제로샷 생성으로는 효율적으로 도달하기 어려운 유용한 분자 수정 정보를 포함하고 있을 수 있다고 주장한다. 제로샷 생성의 제한된 탐색 능력에 착안하여, 우리는 효율적인 메트로폴리스-허스팅스 탐색 전략을 개발하여 베팅…
arXiv:2610.32179v1 발표 유형: 신규 초록: 신경망 아키텍처 탐색(NAS)은 비용이 많이 들지만, 교차 작업 전이를 통해 이전 작업에서 얻은 지식을 재사용함으로써 비용을 절감할 수 있습니다. 그러나 기존 방법들은 희박한 검색 기록과 작업별 전이 실패 문제에 어려움을 겪습니다. 우리는 챔피언 기반 초기화와 공동 쌍방향 랭커 사전 학습을 통해 희박한 소스 로그와 제로 비용 프록시를 결합하는 위험에 강인한 전략을 제안합니다. TransNAS-Bench-101에서 본 제안은 심각한 최악의 경우 실패를 완화하여, 마이크로 자동인코딩에서는 최악 10% 순위를 290에서 43으로, 매크로 방 배치에서는 465에서 45로 낮추었습니다. 13개의 셀 공간 목표에 걸쳐, 평균 및 최악의 경우 성능 모두에서 프록시만 사용하는 랭커보다 10개의 목표에서 우수한 성능을 보이며, 동시에 경쟁력 있는 평균 성능도 유지합니다.
arXiv:2610.31966v1 발표 유형: 신규 요약: 문맥 내 학습을 위한 시연은 종종 의미적 유사성을 기준으로 검색되며, 이는 구조화된 예측에서의 관련성을 제대로 대표하지 못할 수 있습니다. 우리는 Universal Dependencies 파싱을 위한 시연 선택 방식을 연구하며, 품사 통계를 가중치로 표현하고 라벨링된 교육 세트에서 길이가 호환되는 골드 라벨 해석 사례 3개를 검색하는 POS 서명 정책을 적용합니다. 우리는 미세조정 없이 두 개의 오픈 웨이트 언어 모델을 UD 영어 웹 트리뱅크 테스트 세트의 총 2,077개 문장에 대해 평가하며, 해당 정책을 샷 및 형식이 일치하는 고정 및 의미적 3샷 기반과 비교하고, 또한 제로샷, 사고 체인, 비평-정제 시스템과도 비교합니다. POS 서명 검색은 가장 높은 라벨링 성과를 달성합니다.
arXiv:2610.32389v1 발표 유형: 신규 초록: 롤아웃에서 학습으로의 궤도 전송은 대규모 언어 모델 강화학습(RL)에서 학습 품질과 시스템 효율성 모두에 영향을 미칩니다. 배치 전체에 걸친 학습 요구사항을 강제할 경우, 완료된 궤도의 수용이 지연되어 아키텍처의 구식화가 심화됩니다. 이는 분산 파이프라인 처리와 동일 장소에서의 실행 간의 추가적인 파라미터 버전 격차로 나타납니다. 수용 외에도, 데이터 접근과 학습 소비 간의 불일치로 인해 대규모 궤도 페이로드를 전송할 때 중복 이동과 불필요한 대기 시간이 발생합니다. 우리는 세 가지 설계를 통해 롤아웃에서 학습으로의 경로를 조정하는 KnitTrans 시스템을 제안합니다. 첫째, 제약을 유지하는 미니배치 수용 방식을 통해 초기 미니배치 구성에 대한 유연성을 제공합니다.
arXiv:2610.32241v1 발표 유형: 신규 초록: 전통적인 휴리스틱 방법들은 공간 활용도와 레이아웃의 콤팩트성 등 3D 박스 패킹의 핵심 목표에 대해 인위적으로 설계된 규칙 기반 논리를 바탕으로 오랜 경험을 축적해 왔습니다. 그러나 이들 방법은 일반화 능력과 동적 시나리오에 대한 적응력에서 명백한 한계를 보입니다. 강화 학습의 공간 탐색 능력과 확산 학습의 데이터 분포 모델링 능력을 통합한 확산 강화 학습은 행동 분포 모델링 및 의사결정 준수 제약 조건 측면에서 일정한 성과를 거두었습니다. 그럼에도 불구하고 3D 박스 패킹에서의 공간 위상 구조에 대한 인식 부족과 레이아웃 최적화 능력의 제한 등의 문제는 여전히 남아 있습니다.
2026년 10월 24일, arXiv은 논문 arXiv:2610.30435v1을 발표하여, 기존 검색 증강형 대규모 언어 모델에서 검색 에이전트가 검색 상태에 대한 인식 능력을 갖추지 못하는 문제를 해결하기 위한 Self-Assessment Reinforcement Learning(SARL) 프레임워크를 제안했습니다.
추천 이유：이 연구는 검색 강화형 대규모 언어 모델이 복잡한 과제에서 이미 획득된 정보나 누락된 정보를 인식하지 못해 환각 추론과 조기 탐색 종료라는 핵심적 결함을 겪는 문제를 해결하기 위해, 테스트 시 추가적인 평가 없이도 작동하는 엔드투엔드 강화학습 방안을 제안하고, 다중 점프 추론 및 심층 연구 벤치마크에서 상당한 성능 향상을 달성했습니다.
arXiv:2610.30949v1 발표 유형: 신규 요약: 우리는 총 320B 파라미터(활성화된 파라미터는 15B)를 갖춘 희소 혼합전문가(MoE) 기반의 에이전트형 기반 모델인 IQuest-Q1을 제시합니다. IQuest-Q1은 세 단계의 프로세스를 통해 개발되었습니다: (1) 안정적이고 효율적인 사전 학습으로, 스테이블 스플릿노름, Muon 및 muP를 두 단계 커리큘럼과 결합하며, 두 번째 단계에서는 코딩 데이터 혼합 비율을 높여 안전한 학습률과 최적 학습률 간의 넓은 안정성 여유를 유지합니다; (2) 세밀한 중간 학습 단계에서는 도메인과 형식 전반에 걸쳐 데이터 혼합을 확대하고 문맥 범위를 점진적으로 확장합니다; 그리고 (3) 다중 스캐폴드와 다중 버전 사후 학습을 통해 SFT, 도메인 특화 RL, MOPD 등을 다양한 스캐폴드에서 결합하여 상호 보완적인 학습 신호를 통합하고 에이전트형 코딩 역량을 강화합니다.
IBM 리서치는 오픈소스인 Granite Timeseries Ensemble(v1)을 출시했으며, PatchTST-FM-r1/r2, FlowState 및 Tiny Time Mixers 등 네 가지 사전훈련 아키텍처를 통합해 제로 편향(zero-shot) 미세조정 없이도 확률적 앙상블 예측을 지원합니다. 기본적으로 동등한 가중치의 확률적 앙상블(Probabilistic Ensemble)을 채택하며, 사분위 범위 기반 적응형 가중치(IQR Ensemble) 옵션도 제공합니다. GIFT-Eval 벤치마크(2026-10-20 기준 스냅샷)에서 점예측 오차(MASE=0.683)는 최고의 단일 모델보다 약간 우수하며, 전반적인 로버스트성이 크게 향상되었습니다.
Goodfire 연구원 닉 카마라타는 2만 6천 단어에 달하는 장문의 글을 발표하며, 대형 언어 모델(LLMs)의 내부 메커니즘이 학계의 예상보다 훨씬 더 구조적이고 이해하기 쉽다는 주장을 제기했다. 그의 핵심 논지는 Inception v1과 같은 모델에서 관찰된 ‘다의성 뉴런’에 대한 재해석에 기반하는데, 예를 들어 ‘고양이/자동차 공용 뉴런’은 무질서한 초지정이 아니라 V자형 시각 패턴에 반응하는 것임을 지적한다. 다만 이 주장은 아직 현대 LLM들에 대해 체계적인 검증이 완료되지 않았으며, 스탠퍼드대학교의 크리스 포츠와 어라이먼트 리서치 센터의 제이컵 힐턴 등 학자들로부터 일반화 가능성과 기술적 깊이에 대한 의문을 받고 있다.
