본 연구는 AGI 시대를 위한 비실행 출력 참조 경계 구조인 SCD+보안을 소개한다. AGI 구조 정렬 시리즈의 첫 번째 논문에서 BIFACE 기반 문장 좌표 문서(SCD)를 좌표 참조 문법으로 확립한 것에 이어, 본 논문은 다음 구조적 질문에 답한다: 어떤 역할, AI+AGI 환경, 검토 맥락에서 어떤 문장, 코드, 이미지 영역, 비디오 장면, 자막, 음성 세그먼트, 대화 또는 수정 지침 좌표를 어떤 경계 조건 하에 참조할 수 있는가?
SCD+보안은 사이버 보안, 인증, 암호화, 접근 제어, 저장, 실행, 증거 확인, 승인, 동의 또는 법적 효력 시스템이 아닌 참조 경계 계층으로 정의된다. 그 목적은 SCD/BIFACE 좌표가 무제한 접근 경로 또는 의도치 않은 권한 참조로 오용되는 것을 방지하는 데 있다.
이 작업 논문은 AGI 구조 정렬 시리즈의 두 번째 논문이다. 본 기록은 결정론적 인프라 및 인간 중심 AI 조정 연구 프로그램 하의 구조 논문 시리즈에서 Paper 2의 확장된 최종 출판 에디션 v3.0을 제공한다. 이 버전은 통합된 출판 서문, 확장된 학술 구조, 강화된 비대체 경계 및 광범위한 교차 도메인 적용 가능성을 포함한다.
본 연구는 대규모 언어 모델(LLM) 통합 시스템의 신뢰성을 높이기 위한 새로운 이론인 인지 임피던스 매칭 이론(CIMT)을 제안한다. CIMT는 관측 가능 요소만을 활용하며, 모델 가중치 개선이 아닌 시스템 주변 환경 재설계를 통해 고정된 모델 정책의 운영 능력을 향상시키는 데 초점을 맞춘다. 이는 시스템 수준의 역량 증폭을 '세계 측 컴파일 문제'로 접근한다.
CIMT는 관측, 유형화된 액션 핸들, 검증자, 복구 경로, 롤백 모드, 권한 범위, 컨텍스트 요약, 감사 가능한 영수증 등 다양한 요소를 통해 시스템 환경을 재구성한다. 운영 주장은 명시적인 주장 객체와 증거 객체를 통해 정의되며, 관측 가능한 원장, 대상 평가 채널, 결정론적 환원자 등을 활용한다. 인간 검토자나 LLM 심사관 등은 특권적인 평가자가 아닌, 명명되고 오류 가능성이 있는 측정 채널로 모델링된다.
이 이론은 대상 채널 개선, 벡터 부채 회계, 금지 좌표 제로 인증, 대상 방화벽 규율, 범위 시뮬레이션 등 다양한 측면에서 보수적인 인증 프레임워크를 제공한다. 또한, 코드 편집 에이전트 및 검색 증강 생성 시스템에 대한 실제 적용 사례를 포함한다.
궁극적으로 본 연구는 관측 가능한 세계 측 인터페이스, 권한, 검증, 복구 및 감사 설계를 통해 고정 모델 LLM 시스템의 신뢰성을 높이는 실용적인 형식적 기반을 제공하고자 한다.
이 연구는 구조화된 다중 센서 시스템을 위한 새로운 결정론적 프레임워크인 계층적 잔차-엔벨로프 신뢰(HRET)를 제시한다. HRET는 기존의 Drift-Slew Fusion Bootstrap(DSFB) 프레임워크를 확장하여 명시적인 센서 그룹화와 상관 교란 모델링을 통합한다. 기존의 확률론적 또는 공분산 기반 접근 방식과 달리, HRET는 결정론적 유계 교란 가정을 기반으로 하며, 채널 및 그룹 수준에서 잔차-엔벨로프 동역학을 통해 신뢰도를 조절한다.
각 센서 채널은 채널 수준의 신뢰도를 관리하는 잔차 엔벨로프를 유지하며, 그룹 엔벨로프는 사전 정의된 센서 클러스터 전반의 잔차 크기를 집계하여 상관된 성능 저하를 포착한다. 신뢰 가중치는 곱셈 방식으로 구성되고 정규화되어 엄격한 볼록성을 유지함으로써 항상 양의 가중치와 합계 1을 보장한다. 이 프레임워크는 유계 교란 하에서 유계 엔벨로프 동역학을 보장하며, 상관된 손상 하에서 센서 그룹의 조정된 억제 및 복구를 가능하게 한다.
HRET는 각 채널이 자체 단일 그룹을 형성할 때 DSFB의 특수한 경우로 축소된다. 이 공식화는 완전히 결정론적이고, 볼록성을 보존하며, 기존 DSFB 아키텍처와 구현이 일치한다. 이 프레임워크는 유계 교란과 사전 정의된 그룹화를 가정하며, 통계적 최적성을 주장하지는 않는다.
본 문서는 Drift-Slew Fusion Bootstrap (DSFB) 저장소 및 관련 참조 구현을 위한 아키텍처 사양과 운영 프레임워크를 정의한다. 이 작업은 슬루 인지 신뢰 적응형 상태 추정 및 상태 재구성의 신뢰 적응형 다중 진단 가중치에 대한 이전 연구에서 소개된 기초 이론적 구성 요소를 전제로 한다.
이 프레임워크는 결정론적 교란 가정, 드리프트 및 슬루 구성 요소로의 정규 잔차 분해, 그리고 참조 코드베이스에 인코딩된 부트스트랩 보정 업데이트 구조를 공식화한다. 이는 인과 분리 연산자, 잔차 엔벨로프, 업데이트 의미론 및 신뢰 가중치 규칙을 완전하게 독립적이고 재현 가능한 방식으로 명시한다.
본 문서는 새로운 이론적 결과를 제시하지 않는다. 그 목적은 재현 가능한 사용, 아키텍처 일관성, 그리고 애플리케이션 전반에 걸친 DSFB의 일관된 결정론적 통합을 위한 정확하고 구현에 부합하는 참조를 제공하는 것이다. 수학적 프레임워크와 소프트웨어 구현 간의 정렬을 보장하기 위해 구현 노트, 매개변수 규칙 및 검증 테스트가 포함되어 있다.
이를 통해 DSFB의 실제 적용 가능성과 견고성이 강화되며, 다양한 컴퓨터 과학 분야에서 상태 추정 및 보정 시스템의 신뢰성과 효율성을 높이는 데 기여할 것으로 기대된다.
인간 수준의 인공지능(AI)을 향한 노력은 자율 에이전트와 대규모 언어 모델(LLM)의 발전을 크게 촉진했습니다. LLM은 지시 해석, 순차적 작업 관리, 피드백을 통한 적응 능력 덕분에 의사결정 에이전트로 널리 활용되고 있습니다. 본 리뷰는 자율 에이전트 및 도구 사용자로서 LLM의 최신 개발 동향을 7가지 연구 질문을 중심으로 분석합니다.
2023년부터 2025년 사이에 A* 및 A 등급 학술대회와 Q1 저널에 게재된 논문만을 사용했습니다. LLM 에이전트의 아키텍처 설계 원칙을 단일 및 다중 에이전트 시스템으로 나누어 구조적으로 분석하고, 외부 도구 통합 전략을 제시합니다. 또한, 추론, 계획, 기억을 포함한 LLM의 인지 메커니즘과 프롬프트 방식 및 미세 조정 절차가 에이전트 성능에 미치는 영향을 조사했습니다.
현재 벤치마크 및 평가 프로토콜을 평가하고, 68개의 공개 데이터셋을 분석하여 다양한 작업에서 LLM 기반 에이전트의 성능을 측정했습니다. 이 리뷰를 통해 LLM의 검증 가능한 추론, 자기 개선 능력, LLM 기반 에이전트의 개인화에 대한 중요한 발견을 확인했습니다.
본 연구는 이러한 격차를 극복하기 위한 10가지 미래 연구 방향을 제시하며, 컴퓨터 과학 분야의 STEM 학생 및 연구자들이 LLM 에이전트 기술의 현재 상태와 잠재적 발전을 이해하는 데 중요한 통찰력을 제공합니다.
현재 대규모 언어 모델(LLM)은 확률 기반의 다음 토큰 예측에 의존하여 언어 유창성은 뛰어나지만, 엄격한 논리적 추론에서는 의미론적 환각, 언어적 역설, 높은 계산 지연 등의 문제에 직면합니다. 본 논문은 이러한 확률적 텍스트 기반 추론 방식에서 벗어나, 함수 언어 논리(FLL) 기반의 경쟁적 전문가 혼합(CMoE) 프레임워크를 제안합니다.
CMoE 아키텍처는 거대하고 불투명한 언어 트랜스포머로부터 '사고' 과정을 수학적 함수 근사기(선형, 포물선, 타원 프리미티브)로 구축된 효율적인 전용 인지 엔진으로 오프로드합니다. 논리를 연관 토큰 분포가 아닌 수학적 매핑으로 취급함으로써, 이 시스템은 해석 가능하고 경량이며 수학적으로 경계가 명확한 추론 시스템을 구축합니다.
주요 기여는 계산적으로 중복되는 MLP를 최소한의 훈련으로 마이크로초 내에 적응하는 매개변수화된 수학 함수로 대체하는 것입니다. 또한, 8개의 연산 토큰으로 제한된 결정론적 추상 추론 공간인 '사고의 8-토큰 언어(LoT)'를 도입하여 인간 언어의 모호성으로부터 계산을 분리함으로써 역설 없는 내부 추론을 보장합니다.
이 시스템은 인지 및 표현을 분리하여, CMoE의 추상 논리 벡터를 인간이 읽을 수 있는 텍스트로 번역하는 역할만 하는 '호스트 인터프리터 모델'(LMM/LLM)을 활용합니다. CMoE와 호스트 모델을 지속적으로 공동 진화시켜 '인터페이스 환각'과 의미론적 불일치를 완화하는 연속적 공동 훈련 방법론과, 논리 연산자를 통해 복잡한 쿼리를 구문 분석하여 무한한 논리적 깊이를 처리하는 재귀적 쿼리 분할 메커니즘도 제시합니다.
