[논문리뷰] Online Learning with LLM Experts from Limited FeedbackLarge Language Models (LLMs)는 다양한 태스크에서 널리 활용되고 있지만, 모델마다 비용과 능력이 상이하며, 특정 모델이 모든 태스크에서 다른 모델을 압도하지 못하는 경우가 많습니다.#Review#Online Learning#LLM Experts#Limited Feedback#Contextual Bandit#Regret Minimization#Adaptive Routing2026년 9월 13일댓글 수 로딩 중
[논문리뷰] COBRA-Skills: Contextual Bandit-Guided Evolution for Agent Skill Optimization본 논문은 LLM 에이전트의 skill 최적화 과정에서 발생하는 과도한 평가 비용과 데이터 효율성 문제를 해결하는 데 집중합니다 .#Review#Agent Skills#Contextual Bandit#Evolutionary Optimization#Skill Optimization#Budgeted Optimization#LLM Agents#Procedural Knowledge2026년 9월 13일댓글 수 로딩 중
[논문리뷰] CASCADE: Case-Based Continual Adaptation for Large Language Models During Deployment현재의 LLM 라이프사이클은 대규모 pretraining과 finetuning이라는 두 단계에 고정되어 있어, 일단 배포되면 학습이 완전히 중단되는 한계가 있습니다.#Review#Large Language Models#Deployment-Time Learning#Case-Based Reasoning#Contextual Bandit#No-Regret Learning#Experiential Learning2026년 5월 10일댓글 수 로딩 중
[논문리뷰] ResAdapt: Adaptive Resolution for Efficient Multimodal Reasoning최근의 MLLMs 는 입력 정보의 정밀도(fidelity)를 높여 성능을 향상시키지만, 이는 과도한 visual token의 증가로 이어져 고해상도와 긴 시간적 맥락(long temporal context)을 동시에 유지하는 것을 불가능하게 만듭니다.#Review#Multimodal Large Language Models (MLLMs)#Input-side Adaptation#Contextual Bandit#Cost-Aware Policy Optimization (CAPO)#Visual Budgeting#Efficient Inference#Temporal Reasoning2026년 3월 30일댓글 수 로딩 중