통합검색

긴 글을 넣을 수 있는 인공지능(AI)는 중간에 있는 근거도 잘 찾을까?

긴 문맥 처리 연구는 입력 길이와 실제 정보 활용을 구별합니다. 같은 근거의 위치를 바꾸는 평가가 왜 필요한지 살펴봅니다.

Lost in the Middle: How Language Models Use Long Contexts

인공지능(AI)에게 여러 번 물어 가장 많은 답을 고르면 더 정확할까?

자기일관성 방법은 다양한 풀이 경로에서 최종 답을 모읍니다. 정답률 개선과 답의 논리적 보증을 구별하고, 반복 답변의 독립성도 따져 봅니다.

Self-Consistency Improves Chain of Thought Reasoning in Language Models

인공지능(AI)가 풀이의 갈림길로 돌아가면 더 잘 풀 수 있을까?

생각의 나무는 중간 풀이를 여러 갈래로 만들고 평가하여 탐색합니다. 유망하다는 판단과 실제 정답 검사는 따로 보아야 합니다.

Tree of Thoughts: Deliberate Problem Solving with Large Language Models

긴 문서의 가운데 근거도 AI가 똑같이 찾을까?

같은 정답 문서를 9개 묶음의 앞·가운데·끝으로 옮기는 통제 실험으로, 문맥 수용 길이와 실제 근거 사용 능력을 구분합니다.

증명 보조기의 실패 메시지는 인공지능(AI) 탐색을 어떻게 바꿀까?

DeepSeek-Prover-V1.5는 Lean 4 검증 피드백을 강화학습과 트리 탐색에 이용해 형식증명 성능을 평가했습니다.

DeepSeek-Prover-V1.5: Harnessing Proof Assistant Feedback for Reinforcement Learning and Monte-Carlo Tree Search