Did Codex Reset
GitHub

Wiki Foundation Model, 연결된 마크다운 위키에서 에이전트 메모리 검색

elvis

Wiki Foundation Model(WFM)은 장기 메모리가 서로 연결된 마크다운 파일 폴더인 에이전트를 위한 모델이다. LLM 위키를 그래프로 바꾸고 질의에 조건화된 메시지 전달로 검색하므로, 각 페이지의 밀집된 텍스트와 페이지 사이 링크가 함께 결과를 만든다.

연구팀은 GPU 간 학습 프로토콜도 만들었으며, 이 프로토콜이 10.5배 더 빠르게 학습한다고 밝혔다. 또 에이전트 메모리와 다중 홉 추론을 다루는 벤치마크 5개에서 강한 결과를 보고했다. 이 연구는 WFM 논문에 설명되어 있고, academy.dair.ai는 논문용 채팅 페이지를 제공한다.

#wfm#에이전트-메모리#llm-위키#연구

EvoOntology 논문, 자기진화 온톨로지 계층이 DDR-Bench와 BIRD에서 데이터 에이전트 점수를 끌어올린다고 보고

elvis (@omarsar0)가 데이터 에이전트를 위한 자기진화 온톨로지 계층으로 MCP 서버로 제공되는 EvoOntology에 관한 논문을 공유했다. 게시물에 따르면 DDR-Bench 정확도가 6개 백본에서 평균 17.8포인트 상승하며 GPT-5.5의 26.7포인트를 포함하고, BIRD 실행 정확도는 7.4포인트 상승한다.

Taste-Bench 최고 모델, 더 나은 방향을 59.7% 선택

Microsoft와 동료들의 논문에 따르면, 최고 모델은 긴 엔지니어링·연구 과제에서 열려 있는 더 나은 방향을 고르는 Taste-Bench 문항의 59.7%를 맞힌다. 나중에 나오는 근거로 판가름나는 분기점은 훨씬 어렵고, 추론 예산을 늘려도 정확도는 오르지 않으며, 교사의 결과 판단을 증류하면 홀드아웃 SWE-bench Pro 성공률이 개선된다.

elvis는 Agora-2로 최대 20명의 인간과 에이전트가 하나의 실시간 시뮬레이션 세계를 공유할 수 있다고 밝혔다

elvis는 월드 모델 Agora-2가 이제 최대 20명의 인간과 에이전트를 하나의 시뮬레이션 세계에 동시에 넣을 수 있다고 밝혔다. elvis는 이를 로봇, 자율주행차, 사이버 방어 에이전트를 함께 훈련하고, 실제 환경에 적용하기 전에 에이전트 담합을 연구할 수 있는 공간으로 설명했다.