LLM 점수와 AGI의 거리
LLM 성능 향상이 AGI 전조인지, 외부 도구·기억·계획 결합의 결과인지 공개 자료로 짚는다.
LLM 성능 향상이 AGI 전조인지, 외부 도구·기억·계획 결합의 결과인지 공개 자료로 짚는다.
생성형 AI의 세션, RAG, 학습 파라미터를 구분해 기밀성과 삭제·감사 통제를 설계하는 방법
에이전트 도입의 병목은 추론만이 아니다. 조직 지식을 메모리 계층으로 분리해 신뢰성과 통제를 설계해야 한다.
AI 검색은 답변 속도를 높이지만, 인용·데이터·기술 정보는 원문 대조 검증이 여전히 필요하다.
ReContext는 128K 장문맥 지원보다 입력 속 증거를 다시 꺼내 쓰게 하는 추론 하네스의 가치를 보여준다.
ContextNest가 제안한 컨텍스트 거버넌스와 검증 가능한 지식 볼트 계층의 의미를 짚는다.
RAG dense 임베딩을 SAE로 풀어 검색 실패 원인과 retrieval steering 가능성을 살핀다.
상충 출처 속 단일·복수 정답을 LLM으로 융합하는 논문과 RAG 적용 포인트를 짚는다.
KARLA는 토큰 생성 중 사실을 끌어와 RAG의 노이즈·지연·비용 구조를 다시 묻게 한다.
RAG가 과거·현재 사실을 함께 검색해 생기는 stale-fact 오류와 시간적 유효성 대응을 다룬다.
RAGBench와 LegalBench로 본 기업 LLM 과제: 검색 성능과 도메인 판단은 분리해 검증해야 한다.
기업 문서 RAG에선 모델보다 검색 단위가 중요하다. 표·양식 구조를 살린 검색 전략을 짚는다.
외부 문서의 지시문형 잡음을 명령으로 오인하는 RAG 취약점과 대응 우선순위를 짚는다.
RAG에서 프롬프트 인젝션과 데이터 포이즈닝이 결합될 때의 보안 위험과 대응 과제를 짚는다.
산업 현장 LLM 환각을 정확도보다 재현성 문제로 보고, 출력 분산을 줄이는 5가지 프롬프트 전략을 비교한다.
RAG-Driver는 검색된 전문가 시연으로 주행 설명을 그라운딩하지만 평가는 BLEU·METEOR·CIDEr 중심이다.
장기기억이 정확할수록 새 요구와 충돌해 FWT가 음수로 떨어질 수 있다. 삭제·요약 정책으로 설계하라.
3.5B 토큰 연소 지식베이스와 CombustionQA로 지식 주입과 평가를 파이프라인으로 고정.
110k 토큰·30MB 제한 속 장문 보고서는 검색(근거)과 서술(논리)을 분리해 분할 루프로 품질·감사를 높인다.
단편 지식을 붙여넣고 이해 점검→구조화 설명→퀴즈로 학습을 대화 루프로 잇는 방법.
RAG와 파라미터 업데이트의 비용·리스크를 비교하고 재귀개선 검증 체계를 정리한다.
RAG top-K 뒤 reranking으로 상위 결과를 재정렬해 NDCG@10 개선과 비용·지연 트레이드오프를 평가한다.
RAG 5단계에서 인용 환각·근거 불일치를 줄이는 분할·검색·거절 체크리스트.
Cloudflare가 HTML을 Markdown으로 자동 변환. RAG 입력 단순화와 인용·통제·인젝션 리스크를 점검한다.