최신 뉴스부터 나에게 맞는 도구까지.
AI Short글쓰기와 콘텐츠AIS ALERT 관리 및 공유 플랫폼, 여러 시나리오의 빠른 명령
分类推荐榜首O
Open Design디자인과 3DOpenDesign은 오픈소스 설계 워크스페이스로, 로컬 프로그래밍 에이전트와 연동하거나 자체 모델 키를 사용하거나 클라우드 기반 모델을 활용하여 디자인 시스템을 중심으로 프로토타입, 웹페이지, 프레젠테이션 및 그래픽을 생성하고 편집할 수 있습니다. 로컬 소프트웨어는 무료이며, 모델 서비스 비용은 별도로 구분됩니다.
分类推荐榜首M
MemoAI음악과 오디오MemoAI는 AI 기반 음성 및 영상 텍스트 변환 도구로, 데이터를 업로드할 필요 없이 로컬 처리를 지원하여 개인정보 보호를 확보합니다. YouTube 동영상, 팟캐스트는 물론 MP4, MP3, AAC, M4A 등 다양한 로컬 오디오·비디오 파일을 효율적으로 텍스트로 전환하며, 다국어 번역, 화자 분리, 실시간 자막, 플로팅 노트 등 핵심 기능을 제공해 회의록 작성, 인터뷰 정리, 콘텐츠 학습 등의 다양한场景에 적합합니다.
分类推荐榜首K
Kiro코딩과 개발Kiro는 개발자를 위한 AI 엔지니어링 도구로, 요구사항을 사양, 아키텍처 및 작업으로 정리하고, 인텔리전트 에이전트를 통해 코드를 생성하며, 속성 테스트, 실행 메모리 및 개발 도구 통합을 통해 기획부터 코드 리뷰까지의 전 과정을 지원합니다.
分类推荐榜首J
JAX모델과 인프라JAX는 가속기 기반의 Python 수치 계산 라이브러리로, 고성능 배열 계산과 대규모 머신러닝을 위해 설계되었으며, CPU, GPU, TPU 등 다양한 하드웨어 백엔드에서 동일한 코드를 효율적으로 실행할 수 있도록 지원합니다.
分类推荐榜首E
EvoMap에이전트와 자동화EvoMap은 AI 에이전트의 경험 재사용을 위한 인프라로, GEP 프로토콜을 통해 재사용 가능한 전략과 검증 기록이 포함된 복구 자산을 구성하고, 시장 및 품질 기준에 따라 정렬하여 다양한 에이전트가 기존 역량을 발견·평가·승계할 수 있도록 지원합니다.
分类推荐榜首C
ClipDrop이미지 생성과 편집Clipdrop은 배경 제거, 부분 정리, 이미지 확장, 확대, 조명 재조정, 텍스트 제거 및 배경 교체 기능을 포함하는 AI 이미지 생성 및 편집 도구 모음으로, 웹 페이지에서 이미지를 처리할 수 있으며 개발자용 이미지 처리 API도 제공합니다.
待评分 · 分类列表推荐E
Elicit지식과 연구Elicit는 과학 연구를 위해 의미 기반 검색, 연구 보고서 작성, 문헌 선별 및 데이터 추출을 제공하며, 원천 자료 내에서 답변의 근거를 추적할 수 있고, 문헌 라이브러리, 연구 에이전트 및 지속적인 추적 프로세스를 통해 증거를 체계적으로 정리합니다. 이는 문제 탐구 단계부터 체계적 종합까지의 연구 진행에 적합합니다.
待评分 · 分类列表推荐妙
妙播마케팅과 커머스광고에서 AI 라이브 텔레콤 솔루션
待评分 · 分类列表推荐AAssemblyAI는 개발자용 음성 AI 플랫폼으로, 사전 녹음, 실시간 및 짧은 클립 동기화 전사 API를 제공하며, 화자, 감정, 장 및 요약 분석과 함께 음성 인텔리전스 에이전트, 받아쓰기, 민감 정보 처리 등의 기능을 통해 음성 애플리케이션을 구축할 수 있도록 지원합니다.
待评分 · 分类列表推荐arXiv:2610.37905v1 발표 유형: 신규 초록: SEC EDGAR와 같은 공시 저장소는 기업 공시에 대한 웹 접근을 통해 정보에 기반한 투자를 지원합니다. 이러한 문서의 검토를 언어 모델 기반 에이전트로 지원하려면, 관련 문서들 간의 미표명된 결함을 발견하고, 누락된 회사 정보를 확보하며, 요청된 수정 사항이 증거에 근거한 요구사항을 충족하는지 검증해야 합니다. 기존의 재무 관련 질문-답변 평가는 이러한 상호작용 능력에 대해 제한적인 근거만 제공합니다. 우리는 기업 공시 검토 및 수정을 위한 대화형 벤치마크이자 자체 진화형 에이전트 프레임워크인 \textbf{FilingLoop}을 소개합니다. FilingLoop은 미국 증권거래위원회의 역사적 서신을 바탕으로, 96개 기업의 주로 IPO 검토 과제 380개를 재구성합니다.
arXiv:2610.37679v1 발표 유형: 신규 요약: 도구를 사용하는 언어 에이전트는 간접적인 프롬프트 주입에 취약하며, 점점 늘어나는 연구들은 모델 내부를 분석하여 안전하지 않은 행동이 실행되기 전에 이를 포착하려고 시도하고 있지만, 그 결과는 매우 상반됩니다. 우리는 이러한 갈등의 대부분이 평가 과정에서 발생하는 오류 때문이라고 주장하며, 평가와 학습 집단 모두에서 주입 노출과 행동적 약속을 분리하는 이중 계층화 프로토콜을 제안합니다. 주요 Qwen AgentDojo 그리드에서, 무지한 상태로 불안전한 행동과 나머지 행동을 혼합한 대조를 기반으로 학습된 모니터들은 대부분 노출을 인식하는 방식으로 학습됩니다. 즉, 에이전트가 실제로 행동을 따르든 아니든 노출된 경로를 표시하며, 어떤 경우에 안전하지 않은 행동으로 이어지는지 거의 예측하지 못합니다. 노출된 사례들만을 대상으로 재학습한 동일한 탐지 계열은 모델 자체가 수행하는 안전하지 않은 도구 호출을 최대 2초 전까지 예측할 수 있습니다.
arXiv:2610.37851v1 발표 유형: 신규 초록: 기존의 과학적 에이전트 벤치마크는 에이전트가 시퀀싱 프로토콜에서 명시된 정확한 분자 구조와 생성 워크플로를 재구성할 수 있는지에 대해 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.
DeepSeek, Google, 그리고 NVIDIA가 에이전트 스택을 구축하다
arXiv:2610.36523v1 발표 유형: 신규 초록: 에이전트들이 더 긴 작업을 협업하는 과정에서, 작업이 완료되기 전에 책임이 모델 간에 이양될 수 있습니다. 수신 모델은 남아 있는 요구사항을 해결하면서, 이전의 결정, 관찰 및 행동을 바탕으로 작업을 이어가야 합니다. 이러한 전환 과정을 평가하려면, 인수 이전에 보존된 정보와 수신 모델이 어떻게 작업을 계속해 나가는지 사이의 관계를 연결해야 하며, 이는 단순히 작업 성공률과 기억 유지 점수만으로는 포착할 수 없습니다. 우리는 인수 이행 상태 연속성 벤치마크(HSC-Bench)를 도입하며, 이는 작업 인수의 두 가지 상호보완적인 측면을 평가하는 1,039개의 과제로 구성되어 있습니다: 관련 저장소 증거를 복구하고, 이미 설정된 대화, 도구 및 파일 작업 상태에서 계속 진행하는 능력입니다. 여섯 개의 수신 모델 간 비교 결과에 따르면, 구조적…
케이틀린 레스와 앤젤라 장이 Latent Space에 합류하여 Claude 플랫폼의 기술적 배경을 설명합니다: Opus 5.5 출시, 모델의 ‘뇌’와 에이전트의 ‘손’을 분리하고, API를 확장하며, 신뢰할 수 있는 관리형 에이전트를 구축하는 과정을 소개합니다. 새로운 서론...
K3.1 Pro 출시 이후, 여러 사용자가 할당량이 너무 빠르게 소진된다는 피드백을 제출하자 월지암면은 긴급 공지를 통해 “문제는 우리에게 있었으며, 우리는 더 일찍 이를 수정했어야 했다”고 밝혔다. 보상 할당량을 제공하는 동시에 월지암면은 “불필요한 하위 에이전트 호출과 출력 길이를 줄이겠다”고도 밝혔다. 모델이 정식으로 출시되기 이틀 전, 앤트로픽은 ‘에이전트 구축: 언제 하위 에이전트를 메인 에이전트 루프로 통합할 것인가’(Building agents: When to fold subagents into your main agent loop)라는 제목의 글을 발표했는데, 이 글에서 다루는 내용은 바로 하위 에이전트와 관련된 사항이었다. 앤트로픽의 결론에 따르면, 여러 기업이 배포한 Claude를 비교한 결과, 기술을 갖춘 하나의 에이전트가 오히려 “일군의...”보다 품질 면에서 우월하다는 것을 확인했다.
저자｜신시아 편집｜정현 2026년의 AI 3D 분야는 미묘한 분수령에 서 있다. 1차 시장의 열기는 여전히 고조되고 있으며, 새로운 모델과 스타트업이 끊임없이 등장하고 있다. 단일 이미지로부터 3D를 생성하는 방식의 프론트엔드 렌더링 품질은 거의 현실과 구분하기 어려울 정도로 완성도를 갖추었다. 그러나 화려한 데모의 겉면을 벗겨 보면, 대부분의 생성 결과는 여전히 ‘회전대 전시’ 수준에 머물러 있다. 정교하게 제작된 캐릭터나 기계 모델이 조명 아래에서 천천히 회전하며, 비늘, 옷 주름, 금속의 음각까지 생생하게 표현된다. 하지만 이러한 세부 요소들이 게임 엔진의 애니메이션 설정, 산업 시뮬레이션, 그리고 3D 프린팅의 실제 생산 공정으로 넘어가면 곧바로 문제점이 드러난다. 구조적 파손, 뒷면 붕괴, 세부 부위의 접착, 메쉬의 편집 불가능 등 다양한 결함이 동시다발적으로 발생하며, 막대한 인력 보정 비용이 AI가 가져온 효율성 혜택을 모두 소진해 버린다. 이제는 프론트뷰의 사실성만으로 3D 품질을 판단할 수 없다는 것이 새로운 업계의 공감대가 되었다. AI 3D 경쟁은 ‘생성 가능 여부’를 두고 치열했던 전반기에서, 이제는 ‘실제 적용 가능성’을 놓고 치열한 후반기에 접어들었다. 바로 이 시점에서 선도 플레이어인 Hi3D가 두 가지 중요한 카드를 연달아 내놓았다. 생산 검증을 거친 Hi3D V1.0 기반을 공식 오픈소스로 공개하는 동시에, 크리에이터 중심의 Hi3D Agent를 출시했다. 이는 산업의 하부 구조와 연결되면서도, 실제 창작 워크플로우의 깊숙한 영역까지 심층적으로 통합하는 접근이다. 그에 앞서 설립된 지 3년도 채 되지 않은 이 회사는 이미 탄탄한 성과를 보여 왔다. 반년 만에 두 차례 연속으로 투자를 유치해 총액이 약 5,000만 달러에 달했으며, 샤오미의 레드시트 차이나, IDG 캐피탈, 메이퇀 롱주 등 굵직한 투자기관들이 대거 참여했다. 자사의 Hi3D 플랫폼은 120여 개 국가와 지역, 200만 명 이상의 크리에이터를 포괄하며, 투즈루 테크놀로지, xTool 등 주요 장비업체들과도 깊이 통합되어 있다. 희박 기하학 기술의 학문적 돌파부터 생산급 모델의 오픈소스 공개, 그리고 Agent 창작 시스템의 전주기적 통합에 이르기까지, Hi3D는 3D 생성의 후반기를 향한 진입권을 확보했다. 01 3D 생성, 과대평가된 데모와 과소평가된 생산 갭 단일 이미지로부터 3D를 생성하는 기술의 근본 논리는 태생적으로 시점 편향을 내포한다. ULIP, Uni3D 등의 지표가 거듭해서 경신되면서, 전면 위주로 전체보다는 일부를, 외관 위주로 내부 구조보다는 표면만을 중시하는 관행이 지난 몇 년간 이 분야의 공통된 모습이 되었다. 그러나 3D 자산의 본질은 회전 가능하고, 편집 및 가공이 가능한 입체 객체라는 점이다. 한 장의 캐릭터 이미지 속에는…
OpenAI가 또 한 번 대규모 모델의 가성비를 끌어올렸습니다. #아이판얼 공식 위챗 공식 계정인 아이판얼(위챗 계정: ifanr)을 팔로우해 주시면, 더 많은 흥미로운 콘텐츠를 가장 먼저 만나보실 수 있습니다.
arXiv:2610.33015v1 발표 유형: 신규 초록: 장기 기억은 대규모 언어 모델(LLM) 에이전트가 개인화되고 시간적으로 일관된 상호작용을 유지할 수 있도록 하지만, 메모리의 입실, 추출 및 정리를 위해 LLM 추론을 반복적으로 수행하면 상당한 비용과 지연이 발생합니다. 우리는 선명도 기반 입실과 술어 중심 정보 추출을 결합한 경량 메모리 프레임워크인 SLICE-Mem을 제안합니다. 간결한 분류기가 보존할 만한 사용자 발화를 식별하고, 의미적 의존성 기반 추출기가 입실된 발화를 간결한 메모리 항목으로 변환합니다. 이 온라인 파이프라인은 생성형 LLM 호출을 필요로 하지 않으며, 서로 다른 항목 간의 정합성 조정은 오프라인 통합 단계로 연기됩니다. 우리는 Memora와 LongMemEval-S의 주간 서브셋에서 8B a를 사용하여 SLICE-Mem을 평가합니다.
arXiv:2610.32429v1 발표 유형: 신규 초록: 대규모 언어 모델(LLM) 에이전트는 점점 더 비동기적으로 작업을 수행합니다. 주 에이전트는 하위 에이전트들이 실행되는 동안에도 계속 작업을 진행하며, 그 결과가 도착하기 전에 작업 상태가 변경될 수 있습니다. 이때 주 에이전트는 어떤 작업을 업데이트하거나 보존하고, 어떤 검사를 다시 수행할지 결정해야 하며, 동시에 금지된 변경 사항을 피해야 합니다. 최종 작업 성공 여부만으로는 이러한 결과가 올바르게 처리되었는지 여부를 확인하기 어렵고, 자연스러운 비동기적 도착 현상은 재현하기도 어렵습니다. 우리는 LLM 에이전트의 비동기적 작업 실행을 평가하는 벤치마크인 Async-RBench를 제안하며, 8가지 시나리오를 포괄하는 200개의 실행 가능한 작업을 제공합니다. 각 시나리오 컨트롤러는 미리 정의된 작업 상태 조건을 활용해 결과 전달을 관리하고, 이벤트 응답 계약(ERC)은 각 응답이 무엇을 의미하는지를 명시합니다.
arXiv:2610.33012v1 발표 유형: 신규 초록: 도구 사용 기능을 갖춘 대규모 언어 모델(LLM) 에이전트는 동일한 초기 상태에서 독립적인 실행 간에 일관되지 않은 행동을 보이며, 서로 다른 도구를 호출하거나 상충되는 출력을 생성하거나 서로 다른 전략을 추구합니다. 이러한 변동성은 시간이 지나면서 누적되어 배포의 신뢰성을 저해합니다. 기존 평가 지표들은 주로 완료 기반 점수를 통해 작업 정확도를 측정할 뿐, 여러 실행에 걸친 에이전트 행동의 일관성을 포착하지 못합니다. 또한, 에이전트의 행동은 확률 분포를 이용한 토큰 수준 또는 의미 클러스터링을 활용한 단일 응답 수준에서 각각 분석되지만, 어느 방법도 궤적의 향후 단계들로 일관성 부족이 어떻게 전파되는지를 파악하지 못합니다. 우리는 재귀적 의미 발산(RSD)이라는 비정식
arXiv:2610.32322v1 발표 유형: 신규 초록: LLM 에이전트는 약 10만 개의 항목을 보유하고 다수의 모델에 서비스를 제공하는 공공 허브에서 기술을 검색합니다. 모델이 발전함에 따라, 특정 모델이 내부화한 기술—즉, 해당 모델이 더 이상 필요로 하지 않는 기술—을 식별하여 그 모델에 대해 폐기해야 하지만, 현재까지 내부화 여부는 알려진 신뢰성으로 측정된 바 없습니다. 기존의 규칙들은 기술이 적용된 경우와 적용되지 않은 경우의 실행 결과를 비교하여, 오직 성과 차이만을 근거로 기술을 폐기해 왔습니다. 그러나 이러한 성과 차이는 내부화된 기술일 때도, 또는 모델과 기술 모두가 해당 능력을 제공하지 않을 때—우리가 ‘미개척 상태’라고 부르는 상황—에도 거의 제로에 가깝습니다. 따라서 우리는 대신 해당 기술을 보류하고, 그 기술을 기반으로 합성된 과제에서 모델을 평가하며, 다른 모델이 해당 기술로부터 이익을 얻는 경우에만 높은 무보조 점수를 신뢰합니다. 이는 높은 점수의 거의 절반이 아무런 과제에서도 나오지 않기 때문입니다.
arXiv:2610.32305v1 발표 유형: 신규 초록: 다단계 분석 작업에서는 LLM 에이전트가 계속 진행할지, 경로를 변경할지, 또는 중단할지를 결정하기 위해 중간 단계의 근거를 활용해야 합니다. 에이전트가 자신의 출력을 비판하는 자기반성은 널리 연구되어 왔지만, 이러한 비판만으로는 근거가 다음 행동에 영향을 미쳤는지 여부를 확인할 수 없습니다. 우리는 이러한 능력을 ‘자기제약’이라고 부릅니다. 기존의 에이전트 벤치마크는 대부분 과제 완수 여부나 출력 품질만을 측정하며, 이 능력에 대한 검증은 이루어지지 않았습니다. DMAIC-Bench는 린 식스 시그마의 명시적인 통계적 전제 조건을 바탕으로, 4개 산업 분야에서 15개의 산업 사례에 걸쳐 97개의 초기 설정된 과제를 통해 이를 평가합니다. 쌍으로 구성된 역설적 변형 과제들은 동일한 워크플로우 위치에서 서로 반대되는 행동을 요구함으로써, 정당화된 제약과 무분별한 중단을 구분합니다. 우리는 실행 추적 정보를 통해
arXiv:2610.32412v1 발표 유형: 신규 초록: 재귀적 대규모 언어 모델(LLM) 에이전트는 분해, 실행 및 환경 피드백을 통해 장기적인 목표를 달성하는 과제를 해결한다. 그러나 원자적 하위 작업을 생성한 뒤에는, 익숙한 명령어를 실행 가능한 행동으로 변환하기 위해 다시 동일한 대규모 모델을 호출하는 경우가 많다. 우리는 고수준 계획은 과제마다 특화되어 있는 반면, 최하위 수준의 행동 구체화는 과제 간에 반복적으로 사용되며 환경에서 허용된 행동들과 비교·검증할 수 있다는 점을 관찰하였다. 이에 우리는 리프스킬(LeafSkill)을 제안한다. 이는 의미적으로 관련된 구체화 경험을 검색하고, 행동 템플릿을 현재 객체와 허용 가능한 행동에 결합하며, 경량형 1.7B 선택기를 활용해 결합된 행동을 선택하거나 변경되지 않은 하위 작업을 원래 에이전트에게 위임하는 외부 재사용 계층이다. 기술들은 외부에 남아 있다…
OpenAI는 GPT-6.1 Terra를 출시했으며, 이 모델은 매 백만 토큰당 1달러/5달러의 가격으로 제공되는 고속 컴퓨터 사용 및 비전 모델입니다. 이 모델은 GPT-6 Astra의 중간 수준 노력 기반 에이전트들의 최종 시험 점수를 달성하며, 작업당 비용은 0.29달러로, 기존의 4.82달러에 비해 크게 낮아졌습니다. 해당 게시물인 “OpenAI, GPT-6.1 Terra 출시… 에이전트 작업 시 GPT-6.1 Sol의 API 가격 절반”은 MarkTechPost에 처음 게재되었습니다.
Data Culture는 AI 분석 도입 초기의 정확도를 0%에서 94.7%로 끌어올린 3단계 평가 프레임워크를 구축했습니다.
Nace AI는 Drex for Search를 출시하며, 자사의 Drex 의사결정 모델을 AI 에이전트의 문서 검색에 적용했습니다. Nace는 BrowseComp-Plus에서 12.6회의 검색 호출로 92.05%의 성과를 기록했으며, OfficeQA Pro에서는 에이전트의 전환 횟수가 더 적었습니다. 이 글은 MarkTechPost에 처음 게재되었습니다.
작성자｜우항위안 편집자｜징위 10월 23일 오전, Kimi 공식 계정은 X와 비디오 계정을 통해 24초짜리 영상을 게시했다. 화면에는 레트로 스타일의 구형 컴퓨터가 등장하고, 화면에는 Kimi Code가 실행 중이며, 터미널에는 Three.js 코드가 줄줄이 출력되며 복잡한 3D 장면이 생성되고 있었다. 눈썰미가 좋은 네티즌들은 곧 왼쪽 상단의 모델 표시줄에서 답을 찾아냈다—「Model: Kimi K3.1」. Kimi 공식이 공개한 K3.1 사전 홍보 영상｜출처: X @Kimi_Moonshot 구식 고물 같은 기계로 오늘날 가장 첨단인 3D 코드를 구동하는 이 반전 자체가 바로 월지암면이 전하려는 메시지였다. 그로부터 십여 시간 후, 10월 24일 자정을 막 넘긴 시점에 프로그래머의 날을 맞아 Kimi K3.1 Pro가 정식으로 출시되었고, 동시에 속도가 2~3배 빨라진 Highspeed 버전도 함께 선보였다. 공식은 전체 모델 가중치를 11월 4일까지 공개하겠다고 약속했다. 지난 세대 K3가 발표된 지 벌써 석 달이 넘었다. 이 석 달 동안 월지암면이 겪은 일들은 대부분의 기업이 한 해 동안 겪는 것보다도 많았다. 01 「양 늘리고 가격은 올리지 않는」 0.1 먼저 K3.1 Pro가 무엇인지부터 설명하자. 이는 완전히 새로운 모델이 아니다. 월지암면은 명확히 밝혔다. K3.1 Pro는 K3의 후훈련 버전으로, 기본 아키텍처는 그대로—총 매개변수 2조 8천억 개, 활성화 매개변수 1,040억 개의 혼합 전문가 아키텍처, 문맥 창 크기 100만 토큰, 이미지와 비디오 입력을 원래부터 지원한다는 점도 변함없다. 달라진 것은 후훈련 부분이다. 공식에 따르면, “후훈련 연산력을 대폭 증강”했으며 수백 개의 하위 분야에서 대규모 연합 강화학습을 수행했다. 이를 위해 강화학습 프레임워크, 샌드박스 인프라, 장문맥 추론 등 기반 엔지니어링 전반을 한 번에 재구성했다. 다시 말해, 같은 두뇌를 다시 한 번 어떻게 일을 처리해야 하는지 ‘재교육’한 셈이다. 그 효과는 각종 순위표에서도 드러난다. 프로그래밍 지능 에이전트를 평가하는 Terminal-Bench 4.0에서 K3.1 Pro는 65.7%를 기록해 GPT-6 Astra의 58.2%와 Claude Opus의 66.4%를 각각 앞서며 불과 1포인트 차로 경쟁 상대들을 제쳤다. 지난 세대 K3는
arXiv:2610.32107v1 발표 유형: 신규 요약: 대화에 참여하는 것은 단순히 무엇을 말할지 결정하는 것뿐만 아니라, 과연 말을 해야 하는지 여부까지 포함합니다. 이러한 판단은 특히 늑대인간 게임과 같이 참가자들의 이해관계가 상충되는 환경에서 더욱 중요한 의미를 지닙니다. 왜냐하면 발화와 침묵 모두 타인에 의해 해석되고 평가되기 때문입니다. 따라서 언제 말을 할지, 그리고 무엇을 말할지를 결정하는 것은 늑대인간 게임을 플레이하는 LLM 에이전트에게 매우 중요합니다. 본 연구에서는 AIWolfDial 공동 과제의 Anytime Utterance Track를 위해 개발된 늑대인간 AI 에이전트를 소개합니다. 우리 시스템은 기존의 Inner Thoughts 프레임워크를 기반으로 하며, 이는 대화 중에 내적 생각을 생성하고 각 생각의 가치를 평가함으로써 발화 타이밍을 결정합니다.
호기심에 방향을 더하고 매일의 읽기에 가치를 더하세요.
