Cua는 computer-use agent를 ‘모델’이 아니라 실행·격리·검증 스택으로 다룬다
Cua는 기존 desktop을 제어하는 Driver, 격리된 computer를 만드는 Sandbox·Lume·Fleet, 그리고 task와 evaluator를 분리하는 Cua-Bench를 묶어 computer-use agent의 실행 기반을 구성하는...
Blog421 posts
Knowledge WIKI
AI 에이전트, 검색, 문서 AI, 모델 학습을 읽고 만들면서 정리한 글입니다.
분야와 태그로 좁혀 볼 수 있습니다.
421 posts, 38-49 showing
글 목록
Dream-RSI는 agent의 과거 탐색을 ‘정확한 replay world’로 바꿔 다음 탐색 정책을 고른다
Dream-RSI는 discovery tree에 남은 실행 outcome을 replay simulator로 재해석해, exploration policy 후보를 실제 rollout 없이 비교하고 다음 온라인 탐색으로 재배포하는 meta-explorati...
jina-ocr-v1은 OCR 품질보다 ‘문서 한 페이지를 얼마나 싸게 끝낼지’를 겨냥한다
jina-ocr-v1은 DeepSeek-OCR의 압축형 vision encoder와 3B MoE decoder 위에 FastMTP speculative decoding과 dense verifiable reward post-training을 얹어, 이미...
Jev는 LLM의 대체재가 아니라 코드 안의 ‘확률적 판단 계층’을 노린다
TypeSafe AI의 Jev는 자유 텍스트를 생성하는 대신, 코드가 정의한 Noul·Choice·Score 질문에 타입화된 값·확률·신뢰도를 반환하도록 설계된 System One 모델이다.
COBRA-Skills는 ‘더 많은 스킬 후보’ 대신 ‘다음에 평가할 후보’를 최적화한다
COBRA-Skills는 contextual bandit으로 실행 평가 예산을 유망하거나 덜 탐색된 agent skill에 배분하고, 실제 rollout 증거로 후보군을 재생성·변이·교차하는 skill-optimization 프레임워크다.
NeoHorse-1은 라우팅 하네스를 ‘서빙 최적화’에서 다음 학습 분포를 만드는 관측 계층으로 확장한다
NeoHorse-1은 라우팅·도구 실행 기록을 에이전트 post-training에 연결한 RSI 초기 프로토타입이며, 후속 NeoHorse-Jev는 같은 4B 계열을 구조화된 선택과 점수화에 활용한다.
Qwen-Drive-1.0은 자율주행을 위한 VLM을 어떻게 하나의 시스템으로 묶었나
Qwen-Drive-1.0은 Qwen3.5-4B의 시각·언어 경로는 유지한 채 외부 BEV 인지 헤드와 궤적 생성 Planning Expert를 붙여, 3D 인지·주행 VQA·모션 플래닝을 하나의 공개 패키지로 제공하는 자율주행 VLM이다.
Repo-To-Skill은 GitHub 저장소를 실행 가능한 연구 에이전트 지식으로 바꾼다
Repo-To-Skill은 DisCo가 repository·paper·task 자료에서 절차·검증·복구 경로를 skill graph로 증류하고, AREX-Skill Library가 필요한 분기만 research agent에 로드하는 운영 지식 계층을...
NeoMME는 문서 검색을 위해 VLM을 버리고 단일 멀티모달 인코더로 간다
H Company의 NeoMME는 텍스트 토큰과 원본 이미지 패치를 하나의 양방향 Transformer로 처리하고, dense·late-interaction 검색 표현을 한 번에 내보내며 시각 문서 RAG의 모델 크기·색인 비용·속도 균형을 겨냥한다.
Harness-of-Harness는 coding agent를 한 번의 실행기가 아니라 계속 개선되는 개발 루프로 만든다
Harness-of-Harness는 planner·developer·QA tester를 artifact와 evidence로 연결해, coding agent가 여러 iteration에 걸쳐 계획·구현·검증을 누적하도록 설계한 autonomous soft...
Skaling은 스케일링 법칙의 실험 예산을 ‘전면 격자’에서 경계 샘플링으로 옮긴다
Skaling은 모델 크기와 학습 토큰 수가 독립적으로 loss를 낮춘다는 Chinchilla의 가정을 하나의 결합 지수로 완화하고, 저비용 L-shape 격자만으로 대규모 학습 구간의 loss를 예측하려는 스케일링 법칙이다.
WikiSkill은 에이전트의 시행착오를 스킬보다 먼저 ‘축적되는 지식’으로 만든다
WikiSkill은 실행 trace·지속적으로 누적되는 wiki·실행 가능한 skill을 분리하고, 실패·성공 경험을 패턴과 수용 이력으로 축적한 뒤 validation gate를 통과한 skill 변경만 반영하는 agent skill evolutio...