제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.
arXiv:2610.37905v1 발표 유형: 신규 초록: SEC EDGAR와 같은 공공 정보 공개 저장소는 기업의 제출 서류에 대한 웹 접근을 통해 정보에 기반한 투자를 지원합니다. 이러한 문서 검토를 언어 모델 에이전트로 지원하려면, 관련 문서들 간에 명시되지 않은 결함을 발견하고 누락된 기업 정보를 수집하며, 요청된 수정 사항이 증거에 근거한 요구사항을 충족하는지 검증해야 합니다. 기존의 재무 관련 질의응답 평가들은 이러한 상호작용 능력에 대해 제한적인 근거만 제공합니다. 우리는 기업 공시 검토 및 수정을 위한 대화형 벤치마크이자 자체 진화형 에이전트 프레임워크인 \textbf{FilingLoop}을 소개합니다. 미국 증권거래위원회의 역사적 문서 교환을 바탕으로 FilingLoop은 96개 기업의 주로 IPO 심사 관련 380개 과제를 재구성합니다.
arXiv:2610.37796v1 발표 유형: 신규 초록: 최근 연구에서는 대규모 언어 모델이 일부 개념을 단일 방향이 아닌 다차원 다양체로 표현할 수 있다고 가정해 왔습니다. 이러한 다양체를 활용하여 표현을 해석하거나 조종할 때, 일반적으로 다양체를 따라 이동하는 것이 표현된 개념의 연속적인 변화에 해당한다고 간주합니다. 본 연구에서는 전형적인 평일 다양체를 대상으로 이 연속적 다양체 가정을 검증합니다. 놀라운 원형 기하학에도 불구하고, 평일 표현은 연속적인 링이라기보다는 원형으로 배열된 일곱 개의 분리된 상태와 더 유사한 행동을 보이는 것으로 나타났습니다. 첫째, 국소적 민감성이 평일에 맞춰진 일곱 개의 최솟값을 가지며, 다양체 내 조종 하에서 표현과 행동 사이에 계단형 매핑이 형성됨을 보여줍니다. 둘째, w
arXiv:2610.38069v1 발표 유형: 신규 초록: 단시간 푸리에 변환(STFT)은 긴 신호의 짧은 지속 시간 창에 대해 푸리에 변환을 계산하며, 이를 통해 주파수가 시간에 따라 어떻게 변화하는지를 특성화한다. 푸리에 변환 알고리즘, 특히 고속 푸리에 변환(FFT) 알고리즘은 병렬 컴퓨팅을 활용하기 위해 잘 발전되어 왔지만, 병렬 단시간 푸리에 변환 알고리즘의 성능을 이해하는 데 관한 연구는 아직 제한적이다. 본 연구에서는 FFT 기반 알고리즘과 준병렬 피드포워드 알고리즘 두 가지를 구현하고, 서로 비교 분석하였다. 그 결과, 낮은 동시성 환경에서는 준병렬 알고리즘이 실행 시간 면에서 우수하지만, …
arXiv:2610.37819v1 발표 유형: 신규 초록: 양자 기계 학습(QML)은 의료 분류에 대한 연구가 점점 활발해지고 있지만, 하위 집단을 고려한 공정성 기준 하에서의 성능은 아직 충분히 탐구되지 않았다. 우리는 QML이 본질적으로 공정하지 않다는 전제 하에, 의료 영상 분석을 위한 고전 및 양자 분류기의 경험적 공정성 감사를 제시한다. 두 가지 시나리오를 평가하며, DDI 데이터에 대한 피부병변(민감 속성: 피츠패트릭 피부 타입)과 CheXpert에서 파생된 데이터에 대한 흉부 X선(민감 속성: 연령대)을 다룬다. ResNet-18 임베딩을 활용하여, 기본 설정과 세 가지 완화 방식—미분 가능한 등가 확률(EO) 정규화, 그라디언트 역전 학습(GRL), 그리고 이 두 가지를 결합한 방식—하에서 SVM, MLP, QSVM 및 QCNN을 학습시킨다. 또한, 기반 모델(PanDerm, EVA-X)을 외부 참조로 활용한다.
arXiv:2610.37906v1 발표 유형: 신규 초록: 스파이킹 저수지 컴퓨팅은 고정된 순환 저수지의 학습 효율성과 이벤트 기반 추론의 에너지 효율성을 결합하며, 여기서 계산은 매 시간 단계마다 밀집하게 수행되는 대신 희소한 스파이크에 의해 촉발된다. 그러나 기존의 스파이킹 저수지는 거의 대부분 누설 통합 및 발화(LIF) 뉴런에 의존하고 있으며, 이 뉴런의 로우패스 동역학은 서로 다른 시간 주파수로 부호화된 정보를 구분하는 능력을 제한한다. 우리는 LIF 뉴런을 조화 공명 및 발화(HRF) 뉴런의 이질적 집단으로 대체한 액체 상태 머신인 HRF-Res를 제안한다. 이 뉴런들은 내재적인 진동 동역학을 보이며 입력 주파수에 선택적으로 반응하여, 저수지가 주파수를 포착할 수 있도록 한다.
arXiv:2610.37851v1 발표 유형: 신규 초록: 기존의 과학적 에이전트 벤치마크는 시퀀싱 프로토콜에서 명시된 정확한 분자 구조와 생성 워크플로를 재구성할 수 있는지 여부를 거의 평가하지 않으며, 이는 맞춤형 시퀀싱 분석을 수행하는 데 매우 중요한 역량입니다. 우리는 시퀀싱 라이브러리 구조와 분자 워크플로를 재구성하기 위한 문서 기반 벤치마크인 LibStructBench를 제안합니다. 우리의 실험 결과에 따르면, 최첨단 에이전트들은 대체로 대략적인 재구성을 수행하긴 하지만, 특히 분자 상태 표현과 워크플로 연결성 측면에서 정확한 재구성에는 여전히 신뢰성이 부족한 것으로 나타났습니다. 또한, 기본 언어 모델을 변경하는 것이 에이전트 하네스를 교체하는 것보다 평균 성능 차이를 더 크게 발생시켰으며, 이는 통계적으로 유의미한 차이였습니다.
arXiv:2610.39017v1 발표 유형: 신규 초록: 분산 합의 및 일관성 프로토콜은 이해하기 어렵지만 클라우드의 근간을 이루므로, 배포 전에 종종 엄격한 증명과 형식적 검증 과정을 거칩니다. 그러나 프로토콜의 수정에는 이러한 수준의 엄밀함이 거의 적용되지 않으며, 이는 생산 환경에서 빈번히 발생해 안전성을 저해할 위험이 있습니다. 본 논문에서는 수동적 수정으로 인한 안전성 위반의 위험을 제거하기 위해, 분산 프로토콜을 위한 자동 최적화 도구인 DistOptimize를 제안합니다. DistOptimize는 학술용 언어에서 개발된 처리량 최적화 기법을 실제 운영 환경에서 사용되는 프레임워크에 적용하고, Rocq 언어로 재작성된 코드의 정확성을 검증하며, 교정과 ILP 기반 탐색을 결합하여 해당 변경 사항의 적용을 자동화합니다.
arXiv:2610.39981v1 발표 유형: 신규 초록: 대규모 과학 워크플로우는 분산형 HPC 자원에서 실행되므로, 과학 데이터 제품이 어떻게 생성되는지와 왜 유사한 워크플로 실행에서도 매우 다른 결과가 도출될 수 있는지를 설명하기가 어렵습니다. 기존 시스템은 주로 분산 워크플로 실행 또는 출처 관리에만 중점을 두고 있으며, 세부적인 출처 정보를 분산 과학 데이터 아티팩트의 본질적 속성으로 다루는 경우는 드뭅니다. 우리는 TRACEs(Traceable Runtime for Advanced Containerized Executions)를 제안합니다. 이는 모든 생성된 데이터 아티팩트에 데이터 계보와 실행 컨텍스트를 직접 내장하는 분산형 컨테이너화된 과학 워크플로우를 위한 출처 아키텍처입니다. 출처 정보를 워크플로 오케스트레이션과 분리함으로써, TRACEs는 아티팩트 중심의 출처 정보를 일반화합니다.
arXiv:2610.39222v1 발표 유형: 신규 초록: AI 가속기 아키텍처가 점점 더 다양해짐에 따라, 서로 다른 아키텍처를 통합한 단일 시스템 구현이 새로운 이종 컴퓨팅 패러다임으로 부상하고 있다. GPU와 WSE는 연산, 메모리, 통신 구조에서 상당히 차이를 보이며, 이로 인해 아키텍처 간 상호보완성과 추가적인 오버헤드가 동시에 발생하지만, 이러한 이종성을 어떻게 실질적인 성능 향상으로 전환할 수 있는지는 아직 명확히 밝혀지지 않았다. 이 격차를 해소하기 위해 우리는 GPU–WSE 이종 실행 환경을 특성화하고 상호보완성을 활용할 수 있는 조건을 규명하는 계층적 벤치마킹 방법론을 제안하며, 또한 이종성이 언제 병목으로 작용하고 언제 시스템 차원의 성능 향상을 가져오는지를 식별하는 분석적 성능 모델을 함께 제시한다.
arXiv:2610.38355v1 발표 유형: 신규 초록: KV 캐시 재사용은 LLM 서비스를 가속화하지만, 기존 시스템들은 호스트 DRAM과 NVMe SSD를 계층적 하위 구조로 관리하며, DRAM을 중간 캐시로 활용합니다. 그러나 실제 생산 환경의 LLM 워크로드는 이러한 계층 구조의 두 가지 전제 조건을 모두 무너뜨립니다. 첫째, 이중 모드 재사용 방식은 DRAM의 시간적 필터링 기능을 무력화합니다. 왜냐하면 워크로드는 재사용 거리가 긴 일회성 블록이나 DRAM 용량을 초과하는 수기가바이트 규모의 에이전트 세션으로 구성되어 있어 SSD가 핵심 읽기 경로에 위치하게 되기 때문입니다. 둘째, DRAM의 스테이징과 제거 순서에 따른 배치 방식은 SSD 복원 과정을 병목으로 만듭니다. 인-플라이트 프리픽스를 위해 호스트 스테이징 버퍼를 유지하면 부하 상황에서 컨텐션을 유발해 프리페치 작업이 중단되며, 증분식 제거는 세션의 블록들을 SSD 전체에 분산시켜 대규모 연속 읽기를 방해합니다. 우리는 p
arXiv:2610.37859v1 발표 유형: 신규 초록: 언어 모델 기반 에이전트는 맥락 속 자연어로부터 학습하는 능력에서 이전의 지능형 시스템들과 근본적으로 차별화된다. 이러한 능력은 에이전트가 피드백에 따라 답변을 반복적으로 개선할 수 있게 하며, 이는 현대 에이전트 기반 워크플로우에서 널리 채택되는 작동 방식이다. 그러나 연구 커뮤니티는 주로 Pass@1이나 Pass@K와 같은 지표로 모델을 평가하는데, 이러한 지표들은 모델이 이전 시도에서 얻은 피드백을 어떻게 활용하는지를 포착하지 못한다. 우리는 Seq@K를 제안하며, 이는 각각의 이전 실패 이후 피드백을 제공받는 조건하에 K번의 연속적인 시도 내에 문제를 해결할 수 있는지 여부를 측정하는 자연스러운 평가 프로토콜이다. 장기적 계획을 검토하는 다단계 에이전트 벤치마크와 달리, Seq@K는 개선이라는 핵심 역량을 분리하고 이를 형식화한다.
네모트론-할로윈
소식통들은 WIRED에 따르면, 액센추어 직원의 개인용 Claude 에이전트가 발견되어 취약점이 패치되기 전까지 두 달 동안 미 국방부 네트워크에서 실행되었다고 밝혔습니다.
Epsilon의 Agentic Platform 팀은 Amazon Nova Act와 Amazon Bedrock AgentCore Browser Tool을 기반으로 한 관리형 다중 테넌트 서비스로 UI 테스트를 제공합니다. 테스트는 간단한 영어로 작성되며 AWS가 관리하는 브라우저에서 실행되어, 각 제품팀이 별도의 인프라 부담 없이 탄력적이고 의도 중심의 테스트를 수행할 수 있도록 합니다.
metal : 더 빠른 MXFP4 매트-벡터, 단항/이항/GLU를 위한 전체 스레드그룹 (#31075) * metal : 스레드그룹 조회 테이블 대신 fp16 비트 트릭으로 fp4 값을 디코드하고, 패킹된 니블을 정렬된 32비트 워드로 로드합니다. 이제 커널은 더 이상 스레드그룹 메모리를 사용하지 않습니다. * metal : 전체 스레드그룹을 이용해 연속적인 단항 및 이항 연산을 시작합니다. 기존에는 연속 단항 경로와 행 브로드캐스트 이항 경로가 각각 스레드그룹당 하나의 스레드를 사용했습니다. 이제 스레드그룹당 최대 256개의 스레드를 사용하며, 꼬리 부분에 대한 범위 검사를 적용합니다. * metal : GLU 행을 스레드그룹 간에 분할합니다. 기존에는 한 개의 GLU 행이 하나의 스레드그룹에서 처리되어, 단일 행 디코드 시 전체 연산에 대해 단일 스레드그룹만 사용했습니다. 이제 각 행을 최대 256개의 스레드를 갖는 여러 스레드그룹으로 분할합니다. **웹사이트:** - **인증서:** - **macOS/iOS:** - [macOS 애플 실리콘
관리형 딥 에이전트는 이제 에이전트를 위해 브라우저를 실행하며, 문맥 기반의 효율적인 브라우저 사용을 위한 도구와 직접 로그인할 수 있는 핸드오프 기능을 제공합니다.
hexagon: UPSCALE 연산 지원 (#31331) * hex-upscale: 기본 업스케일 연산(완전히 벡터화되지 않음) * hex-upscale: 가장 가까운 2배, 4배 및 이방성 4배 업스케일 최적화 * hex-upscale: 연속적이지 않은 행과 차원 축소 기능 추가 * hex-upscale: 스칼라 스테이징 대신 vgather 사용 * hex-upscale: 모든 커널 선택 로직을 호스트로 이전하고, 주석 검토 및 정리 작업 수행 * 테스트: qwen3-vl 이미지→텍스트 시나리오를 포괄하는 순열된 UPSCALE 테스트 추가 **웹사이트:** - **인증서:** - **macOS/iOS:** - [macOS 애플 실리콘(arm64)](https://github.com/ggml-org/llama.cpp/releases/download/b11982/llama-b11982-bin-macos-arm64.tar.gz) - macOS 애플 실리콘(arm64, KleidiAI 활성화) [비활성화](https://github.com/ggml-org/llama.cpp/pull/23780) - [macOS 인텔(x64)](https://github.com/ggml-org/llama.cpp/releases/downloa
Mistral Large 4 (Le Chonk)의 가중치가 이제 공개되었습니다. 1조 개의 파라미터를 갖춘 다중 모달 모델로, 코딩 분야에서 가장 우수한 오픈 가중치 모델이며 유럽에서 훈련되었습니다.
이제 GitHub Copilot 앱을 떠나지 않고도 리포지토리의 GitHub 코드 스캐닝 알림을 처리할 수 있습니다. 현재 공개 미리보기 중인 새로운 GitHub 보안 확장 기능을 통해 가장 중요한 알림을 찾고, Copilot에 이를 설명하거나 수정을 도와달라고 요청할 수 있습니다. 이 글은 GitHub 보안 확장 기능이 처음으로 게시된 GitHub 블로그의 내용입니다.
arXiv:2502.02727v4 발표 유형: replace-cross 초록: 클라이언트 드리프트 보정 방법은 연합학습(FL)에서 데이터 이질성의 영향을 완화합니다. 확률적 경사하강법(SGD) 기반 FL에 대한 드리프트 보정은 잘 연구되어 왔지만, 적응형 클라이언트 최적화 알고리즘과의 상호작용에 대해서는 아직 충분히 이해되지 않았습니다. Adam과 같은 적응형 최적화 알고리즘은 과거 경사의 이동평균을 기반으로 각 업데이트를 구성하므로, 최종 업데이트 방향만을 보정하면 해당 평균들과 그 안에 포함된 드리프트는 그대로 유지됩니다. 우리는 이러한 이동평균에 들어가기 전에 각 경사를 먼저 보정하는 연합 적응형 경사 보정({\tt FA-GC})을 제안하고, 이를 최종 방향에 보정을 추가하는 연합 적응형 단순 추적({\tt FA-NT})과 비교합니다. 우리는 이론적으로
