MEMORY INDUSTRY INTELLIGENCE
주장
4397건 공개자료 기반 개인 관찰 기록
| 기록 | 상태·범위 | 수정일·발행일 | |
|---|---|---|---|
| 두 번째 단계에서는 미세조정된 작은 모델을 사용하여 화면 요약으로부터 단일 문장을 추출한다. | 승인연구 결과 | 2026.10.11 22:31 | |
| 첫 단계에서는 세 화면(이전, 현재, 다음)의 슬라이딩 윈도우가 주어지면 화면 맥락, 사용자 행동, 사용자 목표 추측에 관한 세 가지 질문을 제기한다. | 승인연구 결과 | 2026.10.11 22:31 | |
| 추론 시 모델은 두 단계를 수행한다: 첫째 각 개별 상호작용을 독립적으로 요약하고, 둘째 그 요약들을 일련의 이벤트로 사용해 전체 UI 궤적의 일반적 의도를 예측한다. | 승인연구 결과 | 2026.10.11 22:31 | |
| 모델 성능 평가를 위한 지표를 공식화하고, 이 접근법이 훨씬 더 큰 모델에 필적하는 결과를 산출함을 보여주며 온디바이스 응용 가능성을 시사한다. | 승인연구 결과 | 2026.10.11 22:31 | |
| 사용자 의도 이해를 두 단계(각 화면 개별 요약 후 요약 시퀀스로부터 의도 추출)로 분리하여 작은 모델에 더 다루기 쉽게 만들었다. | 승인연구 결과 | 2026.10.11 22:31 | |
| 이 논문은 EMNLP 2025에서 발표되었으며, 웹과 모바일 기기에서의 사용자 상호작용 시퀀스를 온디바이스에서 이해하기 위해 작은 멀티모달 LLM을 사용하는 방법을 다룬다. | 승인연구 결과 | 2026.10.11 22:31 | |
| 대형 멀티모달 LLM은 UI 궤적에서 사용자 의도를 이해하는 데 능숙하지만, 서버 전송이 필요해 느리고 비용이 많이 들며 민감 정보 노출 위험이 있다. | 승인연구 결과 | 2026.10.11 22:31 | |
| 구글 연구진은 작은 모델로 UI 상호작용 궤적에서 사용자 의도를 이해하는 새로운 접근법을 제시하며, 이는 훨씬 더 큰 모델보다 더 나은 결과를 보여준다. | 승인연구 결과 | 2026.10.11 22:31 | |
| 원문은 메모리 산업, GPU·ASIC, HBM·DRAM·NAND 등 메모리 제품·공급·투자에 관한 내용을 포함하지 않는다. | 승인보도·미확인 | 2026.10.11 22:24 | |
| 토큰 및 컴퓨트 예산이 모델 크기에 대한 교차점보다 낮으면 다국어 체크포인트에서 시작하고, 그렇지 않으면 처음부터 사전훈련하는 것이 보통 앞선다. | 승인연구 결과 | 2026.10.11 22:24 | |
| 2B 파라미터 모델에서 미세조정이 초기에 이기지만 사전훈련이 역전되는 교차점은 약 144B~283B 토큰(언어에 따라 다름) 사이에서 발생한다. | 승인연구 결과 | 2026.10.11 22:24 | |
| 지원 언어 수를 2배로 늘리려면 모델 크기를 1.18배, 총 데이터를 1.66배 늘려야 하며 이는 2K 각 언어에서 데이터의 83%에 해당한다. | 승인연구 결과 | 2026.10.11 22:24 | |
| 긍정적 전이의 가장 큰 예측 변수는 문자 체계 및/또는 어족 공유이며 p < .001로 통계적으로 유의하다. | 승인연구 결과 | 2026.10.11 22:24 | |
| 단일 언어, 이중 언어, 대규모 다국어 설정에서 750회 이상 독립 실행에 걸쳐 어휘 비민감 손실로 평가했으며 ATLAS가 이전 연구를 일관되게 능가한다고 주장한다. | 승인연구 결과 | 2026.10.11 22:24 | |
| ATLAS는 400개 이상 언어에 걸쳐 750회 이상 실행된 MADLAD-400 코퍼스를 사용하며 목표 언어, 유사 전이 언어, 기타 모든 언어의 세 데이터 출처를 고려한다. | 승인연구 결과 | 2026.10.11 22:24 | |
| ATLAS는 교차 언어 전이 행렬, 언어 수 증가에 따른 확장 법칙, 사전훈련 대 미세조정 결정 규칙의 세 구성요소로 이루어진다. | 승인연구 결과 | 2026.10.11 22:24 | |
| 1,400개 언어 쌍 간 시너지를 추정하고 적응적 전이 스케일링 법칙(ATLAS)을 도입한다. | 승인연구 결과 | 2026.10.11 22:24 | |
| 이 연구는 10M~8B 파라미터 모델에 걸쳐 774회 훈련 실행, 400개 이상 언어 데이터, 48개 언어 평가를 포함한 최대 규모의 공개 다국어 사전훈련 연구라고 주장한다. | 승인연구 결과 | 2026.10.11 22:24 | |
| ATLAS 논문이 ICLR 2026에서 발표될 예정이다. | 승인회사 계획 | 2026.10.11 22:24 | |
| AI 모델 사용자의 50% 이상이 비영어권 언어를 사용하지만 공개 스케일링 법칙은 대부분 영어에 집중되어 있다. | 승인확인 사실 | 2026.10.11 22:24 | |
| 이 연구는 Aniket Murhekar, Zoya Svitkina, Erik Vee, Joshua Wang과의 공동 작업이다. | 승인연구 결과 | 2026.10.11 22:23 | |
| 온라인 설정의 1/11 경쟁 비율과 이론적 상한 1/2 사이의 격차는 더 효율적인 알고리즘이 존재할 수 있음을 시사한다. | 승인연구 결과 | 2026.10.11 22:23 | |
| 공통 마감 기한 사례에 대해 1/11 경쟁 비율을 달성하는 상수 경쟁 알고리즘을 제안한다. | 승인연구 결과 | 2026.10.11 22:23 | |
| 재시작 없는 중단 모델에서는 모든 온라인 알고리즘의 경쟁 비율이 0에 가까워진다. | 승인연구 결과 | 2026.10.11 22:23 | |
| 재시작을 허용하는 온라인 모델에서 Greedy 변형이 1/2 경쟁 비율을 달성한다. | 승인연구 결과 | 2026.10.11 22:23 |