Chain-of-Thought on TechLLMhttps://techllm.github.io/tags/chain-of-thought/Recent content in Chain-of-Thought on TechLLMHugokoTue, 13 Oct 2026 07:33:05 +0900통신망 장애 원인을 찾을 때 AI가 숫자 몇 개만 보고 성급히 답하지 않도록, 데이터를 정해진 칸에 정리하고 단계별 점검을 거쳐 결론을 내리게 훈련한 방법이다.https://techllm.github.io/posts/large-language-models-llms-for-telecom-root-cause-analysis-rca-a-struc/Tue, 13 Oct 2026 07:33:05 +0900https://techllm.github.io/posts/large-language-models-llms-for-telecom-root-cause-analysis-rca-a-struc/5G/6G 통신망의 Root Cause Analysis(RCA)에 LLM을 직접 적용할 때 생기는 환각, 불안정한 추론, 구조화된 망 증거와의 불일치를 줄이기 위해 SEKA-FT를 제안한다. 이 방법은 이종 텔레메트리를 canonical context로 정리하고, 중간 진단 체크를 거치는 decision-path reasoning과 evidence-grounded explanation을 하나의 fine-tuning target으로 학습한다.언어 모델이 답을 쓰는 도중에 '전체를 볼지, 특정 부분만 볼지, 방금 쓴 내용만 볼지'를 직접 표시하게 해서 긴 문서를 더 싸게 읽게 만드는 방법이다.https://techllm.github.io/posts/language-models-can-control-their-own-attention/Wed, 30 Sep 2026 07:32:37 +0900https://techllm.github.io/posts/language-models-can-control-their-own-attention/저자들이 제안한 Declarative Attention(DA)은 모델이 chain-of-thought 안에 <global>, <focus>, <local> 태그를 넣어 어텐션할 영역을 직접 선언하게 하는 zero-shot 프로토콜이다. vLLM에 통합된 DA state machine이 태그를 파싱해 block-aligned KV cache mask를 동적으로 적용하고, 오프더셸프 모델 6종·15개 long-context 태스크에서 attention token을 31.1~52.0% 줄이되 정확도 손실은 1.27~2.75pp에 그친다.실제 사람들의 스마트워치 기록과 혈액 검사 자료로 만든 4,084개 건강 퀴즈로 AI가 개인 건강 데이터를 제대로 읽는지 시험한 연구https://techllm.github.io/posts/wearableqa-a-benchmark-for-health-reasoning-over-real-world-wearable-d/Sat, 26 Sep 2026 07:32:18 +0900https://techllm.github.io/posts/wearableqa-a-benchmark-for-health-reasoning-over-real-world-wearable-d/WearableQA는 200명 실제 사용자의 최대 500일치 웨어러블 시계열, 혈액 바이오마커, 인구통계에서 만든 4,084개의 10지선다형 건강 추론 벤치마크다. 논문은 데이터 계산 문제와 건강 해석 문제, 단일 신호와 다중 신호 문제를 나누는 16개 질문 유형을 제안하고, 문헌 근거와 대규모 코호트에서 검증한 패턴을 함께 쓰는 dual-grounding 절차로 정답을 결정적으로 계산한다.