Wiki Foundation Model, 연결된 마크다운 위키에서 에이전트 메모리 검색
WFM은 LLM 위키를 그래프로 바꾸고, 질의에 조건화된 메시지 전달로 검색한다. 각 페이지의 텍스트와 페이지 사이 링크가 함께 결과를 만든다. 연구팀은 GPU 간 학습 프로토콜이 10.5배 더 빠르게 학습한다고 밝혔으며, 에이전트 메모리와 다중 홉 추론을 다루는 벤치마크 5개에서 강한 결과를 보고했다.
#research
모든 AI 뉴스 보기Perplexity는 이후 Computer 체크포인트가 라이브 A/B 테스트에서 도구 호출 실패를 21.2% 줄였다고 밝혔다
Perplexity는 힌트 유도 자기 증류로 Computer 모델이 자체 오류로부터 학습하도록 사후 학습했다. 21.2% 감소는 이전 체크포인트 대비라고 밝혔다.
EvolveTrade, 각 구간 이후 트레이딩 에이전트의 시스템 프롬프트를 다시 작성
EvolveTrade 논문은 트레이딩 에이전트의 시스템 프롬프트를 정책으로 보고, 별도 Policy Agent가 각 구간 이후 의사결정 기록과 실현 수익률을 바탕으로 프롬프트를 다시 작성하게 한다. 기반 모델은 고정된 채 유지된다. 여러 시장 국면과 두 가지 기반 모델에서, 논문은 대부분 설정에서 고정 프롬프트 기준선보다 높은 샤프 비율과 누적 수익률을 보고한다.
SkillLift 논문, 에이전트 스킬 진화에 토큰 비용 40–70% 감소 보고
DAIR.AI가 전체 롤아웃으로 모든 수정본을 채점하는 대신 학습된 루브릭을 훈련해 에이전트 스킬 프롬프트 후보의 순위를 매기는 SkillLift 논문을 조명했다. SkillsBench와 WildClawBench에서 SkillOpt와 CoEvoSkills를 능가하고, 목표 성능에 40 to 70% 더 적은 토큰으로 도달했다고 보고한다.
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.