장기 컨텍스트와 메모리 시스템은 개인화를 주로 회상 문제로 다루지만, 실제 실패는 노이즈 힌트를 강한 제약으로 변환하거나 희귀 증거를 삭제하는 커밋 단계에서 발생합니다. CBEA(Contract-Bounded Evidence Activation)와 LCV(Lexicographic Commitment Validation)를 도입해 이를 해결합니다. 360개 픽스처와 3개 생성 백엔드에서 CBEA+LCV는 검증기 범위 내 0 실패를 달성하며, 입력 페이로드를 74-75% 줄였습니다.
- •개인화 시스템의 실패는 회상이 아닌 커밋 단계에서 발생하며, 노이즈 힌트의 강한 제약 변환·희귀 증거 삭제 등이 원인입니다.
- •CBEA는 타입 커버리지·꽔리 증거·결과 부칄로 경계된 증거 집합을 활성화하고, LCV는 산문 생성 전 구조적 커밋을 검증합니다.
- •360개 픽스처 실험에서 CBEA+LCV는 검증기 범위 내 0 실패를 달성하며, 입력 페이로드를 74-75% 줄였습니다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Recall Isn't Enough: Bounding Commitments in Personalized Language Systems
본문 미리보기
arXiv:2605.16712v2 Announce Type: new Abstract: Long-context and memory systems usually treat personalization as a recall problem. In practice, many failures occur later, when a system commits: it turns noisy hints into hard constraints, drops rare witnesses, forgets downstream obligations, or answers despite infeasibility. We introduce Contract-Bounded Evidence Activation (CBEA) with Lexicographic Commitment Validation (LCV). CBEA activates a bounded evidence set using typed coverage, tail wit
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
