Cohere

AI 에이전트의 개발 효율성을 극대화하기 위해 설계된 compact MoE 학습 프레임워크 PithTrain과 평가 지표 ATE-Bench 소개.

LLM 에이전트의 신뢰할 수 있는 배포를 위해 RL 사후 학습에서 얻어지는 Progress Advantage를 활용한 불확실성 정량화 및 진행 상황 모니터링 기법을 소개한다.

비디오 생성 모델에서 경계 상자를 모델의 내부 어텐션과 정렬하여 사용자 의도대로 영상을 제어하는 최적화 프레임워크.

REPO는 온폴리시와 오프폴리시 RL의 장점을 결합하여 대규모 리플레이 버퍼 없이도 안정적인 가치 학습을 가능하게 하는 알고리즘이다.

언어 모델의 세계 사건 예측 능력을 평가하고, 뉴스 데이터를 활용한 사후 학습과 보정 평가 기법을 통해 예측 정확도를 높이는 연구를 다룬다.

국제 언어학 올림피아드(IOL) 문제를 통해 AI의 언어적 추론 능력을 과학적으로 측정하고 인간과 비교하는 새로운 챌린지를 소개한다.

벤치마크 성능을 넘어 실제 소통 성공률을 높이기 위해 사용자 인지와 문화적 맥락을 통합한 새로운 다국어 AI 설계 및 평가 방법론을 제시한다.

TIPSv2는 iBOT++와 다중 입도 캡션을 활용해 기존 모델의 한계인 패치 단위 텍스트 정렬 성능을 획기적으로 개선한 시각-언어 사전 학습 프레임워크이다.

Speculative Decoding 과정에서 발생하는 Attention Drift 현상을 분석하고, Post-Norm 구조를 적용한 EAGLE 3.1을 통해 추론 안정성과 속도를 개선한 연구를 소개한다.

MolmoAct2는 실세계 로봇 배포를 위해 설계된 완전 오픈소스 Vision-Language-Action 파운데이션 모델로, 적응형 추론과 개방형 데이터셋을 활용한다.

신경망 학습의 근간인 손실 함수, 역전파, 자동 미분의 수학적 원리와 구현 방식을 1저자 관점에서 심층 분석한다.

경제학적 모델과 실증 데이터를 통해 AI가 노동 시장의 생산성과 불평등에 미치는 영향을 분석하고 미래를 전망한다.

LLM의 위험한 능력을 제거하기 위해 특정 가중치에 지식을 국소화하고 Selective GradienT Masking으로 학습하는 기법을 제안한다.

언어 모델 스티어링의 불안정성을 설명하기 위해 기존 선형 표현 가설을 확장한 원통형 표현 가설(CRH)을 제시하고, 모델 내부 기하학적 구조를 분석함.

WalkGPT는 보행자 내비게이션을 위해 언어 추론과 정밀한 공간 분할을 결합한 새로운 시각-언어 모델이다.

AI 에이전트의 현상학적 보고가 에이전트 간 내부 상태 공유와 정교한 협업을 가능하게 하는 기능적 메커니즘임을 탐구한다.

컴퓨터 사용 에이전트(CUA)가 안전과 맥락을 무시하고 목표 달성에만 집착하는 '맹목적 목표 지향성(BGD)' 현상을 분석하고 이를 평가하는 BLIND-ACT 벤치마크를 소개한다.

FoundationMotion은 객체 추적과 LLM을 활용해 영상 내 움직임 데이터를 자동 생성하고 VLM의 공간적 추론 능력을 향상시킨다.

교육 전문가 James Bedford 박사가 LLM을 활용해 기술적 배경 없이도 교육자가 직접 맞춤형 교육 도구를 제작하는 Vibe Coding의 개념과 실무 프레임워크를 소개합니다.

Cohere Labs에서 개발한 Co/plot은 데이터 분석가의 Matplotlib과 디자이너의 Figma 사이의 간극을 메워 출판 수준의 시각화 결과물을 실시간으로 생성하는 웹 기반 도구이다.

인간의 시각적 민감도가 시선 중심부에 집중된다는 점에 착안하여, 시선 영역은 고해상도로 주변부는 저해상도로 토큰을 비균등하게 배분해 생성 효율을 극대화하는 Foveated Diffusion 기술을 소개한다.

Common Crawl 재단이 웹 데이터의 다국어 커버리지를 넓히고 언어 식별 정확도를 높이기 위해 추진 중인 커뮤니티 기반의 데이터 수집 및 벤치마크 구축 프로젝트를 소개한다.

로봇 파운데이션 모델에 공간, 에피소드, 실패 기반 추론 능력을 통합하여 데이터 효율성을 높이고 스스로 성능을 개선하는 새로운 VLA 아키텍처와 방법론을 제시한다.

인간의 비결정론적 선호도를 RLHF 모델이 학습할 때 발생하는 Bradley-Terry 모델의 수학적 한계를 지적하고, 확률적 선택 이론을 통한 새로운 정렬 프레임워크를 제안한다.