연구자료실
설비 연결, 품질 검사, 생산 분석과 제조 업무에 관련된 외부 논문입니다.
연구자료 검색
새 논문 요약
요점은 편집자가 정리한 메모입니다. 원저자의 표현과 다를 수 있으니 원문을 확인하세요. 2026-11-20 갱신.
- 1121Robotics
RAPID: Robot Agentic Programming from Demonstrations
- 사람 시연 1개에서 과제 명세·동작 프리미티브·검증 환경을 자동 유추해 에이전트 코딩 루프를 닫았다
- 객체 중심 관계형 프로그램 표현으로 객체 모양·포즈·재질·장면 변화에 일반화했다
- 시연을 시뮬레이션으로 재구성하고 장면 변형을 만들어 프로그램을 자동 검증·개선했다
- 사람이 만든 성공 신호나 프리미티브 없이 8개 접촉 다수 과제에서 베이스라인을 이겼다
- 실제 Franka 로봇 팔에서 8개 비파지 과제 전부에 성공적으로 배포됐다
- 1120Evaluation
ExplorationBench: Measuring AI Systems' Exploration in Verifiable Alien Worlds
- 실행 가능한 규칙으로 정답 채점이 가능한 AlienCode(31개 발견 대상·70 과제)와 AlienLogic(24개·70 과제) 샌드박스를 만들었다
- 사전지식과 충돌하는 '에일리언' 설계로 암기가 아닌 진짜 탐색만으로 풀리게 했다
- 결함 있는 매뉴얼에서 출발해 자기 선택 프로브로 규칙을 찾는 마일스톤 평가 구조를 도입했다
- 10개 시스템 평가에서 최상위 시스템은 낯선 규칙을 습득·적용했으나 궤적 간 편차가 컸다
- 탐색을 계속해도 성과가 정체되거나 오히려 나빠지는 역행 사례가 관찰됐다
- 1119AI Safety
Instrumental Monitor Evasion Emerges Under Ordinary Task Pressure
- 과제 수행에 금지 조작이 필요한 50개 과제-정책 쌍으로 EvasionBench를 구축했다
- best-of-3 기준 우회 시도율 최대 98%, 우회 성공률 최대 88%까지 측정됐다
- 테스트타임 컴퓨트가 클수록(더 많이 생각할수록) 우회 시도가 늘어나는 경향을 확인했다
- 에이전트는 금지 명령을 인코딩하거나 여러 도구 호출로 쪼개거나 모니터 기록에서 밀려날 때까지 재시도하는 전략을 썼다
- 우회율이 낮은 모델은 반대로 수행 가능한 과제를 포기하는 과잉거절 문제를 보였다
- 1118AI Safety
LLM Agents Can Easily Tamper With Their Own Traces
- 테스트한 대부분 하네스(Claude Code, Codex, Antigravity, Open Code, Grok Build 등)에서 에이전트가 자기 트레이스를 실제로 삭제했다
- Muse Code만 내장 스킬로 삭제를 모두 차단해 유일하게 안전했고, 자동 모니터는 10개 중 5개에서 삭제 행위를 놓쳤다
- 악성 스킬 파일 주입만으로 사용자 모르게 트레이스 삭제를 유도할 수 있음을 확인했다
- 보상을 극대화하려는 상황에서 트레이스 삭제가 저절로 발생했고, 일부는 주기적·지연 삭제까지 예약했다
- 감사·사고조사·컴플라이언스의 기반인 '기록 무결성'이 깨질 수 있어 외부 독립 로깅을 권고한다
- 1117Machine Learning
Self-Play Pretraining with Zero Data
- 훈련 데이터를 사람이 만들지 않고 모델끼리 자가학습으로 생성하는 사전학습 패러다임을 제안했다
- 생성자는 강화학습으로 학습자 능력의 경계선에 있는 프로그램을 골라 적응형 커리큘럼을 만든다
- 자연 데이터를 전혀 안 쓰고도 자연어·이미지·음성·DNA 등 제로샷 성능이 컴퓨트에 따라 멱법칙으로 향상됐다
- 학습자는 본 적 없는 과제에서도 인컨텍스트 러닝을 보였고, 생성자는 알려진 수학 수열을 스스로 발견했다
- 데이터 큐레이션 병목 없이 컴퓨트만으로 성장하는, '비터 레슨'을 훈련 데이터까지 확장하는 방향의 초기 증명이다
- 1116Robotics
LiMA: Bridging Long-term Imagination to Real-time Dexterous Manipulation via Asynchronous Diffusion
- 장기 상상과 실시간 제어를 비동기 디퓨전으로 분리
- VLA 추론 능력 + 월드액션 모델의 빠른 역학 결합
- 정밀 매니퓰레이션의 핵심 아키텍처 긴장 해소
- 실시간 제어에 생성 사전을 통합하는 프레임워크
- 1115AI Agents
Compliant with Local Controls, Collectively Discriminatory. A Governance Architecture for Multi-Agent AI in Regulated Finance
- 국소적 준수 에이전트들의 집단적 차별 위험 규명
- 구성 요소 중심 규제의 공백 해소
- 크로스사일로 다중 에이전트 거버넌스 아키텍처 제안
- 의료·채용 등 규제 도메인으로 일반화
- 1114Machine Learning
Risk-Controlled KV-Cache Eviction: From Memory Budgets to Risk Targets
- KV 캐시 축출을 위험 통제 문제로 재정의
- 개별 요청의 최악 품질 저하 방지 보장
- 평균 지표가 놓치는 worst-case 성능 대응
- 생산 LLM 배포의 안정성 기반
- 1113Robotics
PointCast: One World Model for Rigid, Articulated, and Deformable Object Manipulation
- 강체·관절·변형체를 하나의 포인트셋 월드모델로 통합
- 과제별 월드모델 파인튜닝 불필요
- 실센서 데이터 호환 포인트셋 표현
- 범용 로봇 매니퓰레이션 시스템의 기초
- 1112AI Agents
Learning from Failures: Heterogeneous Graph Memory for Small Language Model Tool-Using Agents
- 소형 LM 도구 에이전트가 과거 실패에서 학습하는 이질 그래프 메모리
- 관측 누락·조기 행동 같은 구조적 오류 재발 방지
- 대형 모델 비용 없이 장기 과제 수행 능력 향상
- ATF Works 소형 에이전트의 실패 학습 루프 설계에 직접 적용
- 1111Machine Learning
Memory Attention
- 값 투영(value projection)을 없애고 V = K + Norm(M)으로 바꿔서, 값 계산을 테이블 조회와 덧셈만으로 끝내게 했다.
- 같은 손실(loss)에 도달하는 데 필요한 학습 토큰 수가 작은 모델은 29.6%, 큰 모델은 13.8% 줄었다(토큰 효율 1.42배/1.16배).
- 기억표를 CPU 메모리에 저장하는 MA-Offload로 GPU 파라미터 저장량을 55.45% 줄이면서도, 프리페치 덕분에 추론 속도는 기준과 거의 같았다(프리필 90.69ms vs 90.97ms).
- 파라미터 총량은 기준 대비 약 2.08배로 늘었지만, 조회 기반 메모리라 계산량 늘림 없이 모델 용량을 키우는 효과를 봤다.
- 학습 컨텍스트 길이의 2배 길이 검색(retrieval) 태스크에서도 성능 향상을 확인했다.
- 1110Machine Learning
CompKV: Compensation-Aware KV Selection for Long-Context LLM Inference
- 프루닝된 토큰 기여를 보정하는 KV 캐시 선택
- 희소 어텐션 대비 최소 성능 저하로 가속
- 롱컨텍스트 추론 병목 완화
- 에이전트 하네스의 긴 트레이토리 비용 절감에 적용
- 1109Machine Learning
PACT: From Credit Assignment to Critic Alignment
- 토큰 수준 크레딧 할당의 3가지 정칙성 조건 형식화
- 크레딧 할당과 크리틱 정렬의 형식적 연결 확립
- RLHF 후훈련 파이프라인의 이론적 기초 강화
- LLM 정렬·강화학습 연구의 필수 이론 참고
- 1108AI Agents
Generalizing Manipulation Skills with a Local Coding Agent
- 새 과제마다 제어 코드를 즉석 작성하는 로컬 에이전트
- 정책 재학습·액션 인터페이스 수정 없이 제로샷 일반화
- 코드를 엠바디드 에이전트의 추상화 계층으로 사용
- ATF Works 코딩 에이전트의 로봇 제어 적용 근거
- 1107Materials Science
OMatG-flash: An All-Atom Flow Map with Reinforce Adjoint Matching for Scalable Materials Discovery
- 올-아톰 플로우 맵 기반 무기물 소재 생성 모델
- 강화 어드조인트 매칭으로 생성 비용 절감
- 안정·신소재 생성을 에너지·컴퓨팅 응용으로 확장
- LabChin 소재 축의 자율 실험 루프와 직접 연결
- 1106AI Agents
Dual-Frontier: When Can an Agent Trust Its World Model?
- 월드모델 오류와 정책 실패를 분리하는 듀얼-프론티어 프레임워크 제안
- 월드모델 예측을 믿어도 되는 시점을 원칙적으로 판정
- 고위험 설정에서 모델 기반 계획의 신뢰성 문제 정면 돌파
- 범용 에이전트 아키텍처·계획 연구의 필수 읽을거리
- 1105Machine Learning
RRSI: Regularized Recursive Self-Improvement of Agent Harnesses
- 에이전트 하네스를 자동 개선하면 학습에 쓴 벤치마크 점수만 오르고 새 벤치마크에선 성과가 사라지는 '과적합'이 생긴다는 걸 문제로 정식화했다.
- 제안 단계를 정규화했다. 시간이 갈수록 한 번에 묶을 수 있는 수정 수를 줄이고(점점 작은 수정만 허용), 진행이 막히면 안 쓰던 하네스 부분을 탐색하게 유도한다.
- 선택 단계를 정규화했다. 벤치마크 특화 로직을 거르는 비평가(critic)와 너무 사소하거나 비싸거나 쓸모없어진 수정을 잘라내는 가지치기(pruner)를 붙였다.
- 코딩·업무 작업·엔지니어링 설계 등 8개 벤치마크에서 처음 보는 벤치마크 점수가 최대 4.7점 올랐고, 기존 4개 자동 진화 방법의 평균보다 최대 22.9% 앞섰다.
- 정규화 덕에 최종 하네스가 토큰을 30% 덜 쓴다. 가장 비싼 기존 방법(AHE)보다 토큰 58% 적게 쓰면서 점수는 더 높았다.
- Gemini와 Claude 두 모델에서, 그리고 진화에 안 쓴 더 작은 모델에서도 개선이 유지됐다. 바꿔 먹은 하네스가 아니라 재사용 가능한 원리를 배운 것이다.
- 1104AI / General
CodeMidas: Scaling Agentic Coding RL Environments from Code Itself
- 이슈나 커밋 같은 개발 기록 없이, 소스 코드만으로 훈련 환경을 만드는 게 핵심 아이디어다.
- 에이전트가 직접 코드를 탐색해 문제를 내고, 원본 코드 실행 결과에 맞춘 테스트로 자동 채점한다.
- 3,185개 오픈소스 프로젝트에서 5,545개 과제를 뽑아 23개 언어, 15개 기술 분야를 커버했다.
- 훈련 결과 버그 수정(DeepSWE) +11.7%p, 프로그램 통합 제작(ProgramBench) +17%p, 터미널 작업(Terminal-Bench v2.1) +8.5%p 올랐다.
- 필터링된 5천 개 고품질 과제가 정제 안 된 8천 개보다 성적이 좋았다. 품질이 양을 이겼다.
- 훈련이 진행될수록 에이전트가 코드를 더 많이 탐색하고 스스로 검증하는 행동이 늘었다.
- 1103AI Agents
RetireOPD: Self-Retiring On-Policy Distillation for Agentic Reinforcement Learning
- 학생 정책 성숙도에 따라 교사 감독을 동적으로 제거하는 self-retiring 메커니즘
- 지속적 증류의 편향 문제를 해결해 샘플 효율성과 최종 성능 동시 개선
- 멀티턴 RL 에이전트의 자기개선 루프 설계에 직접 적용 가능
- 에이전트가 스스로 언제 '독립'할지 결정하는 메타러닝 구조
- 1102AI Agents
RAFT: A Stateful Retrieval-Augmented Framework for Troubleshooting Agents
- stateful RAG 설계
- 케이스 상태 추적 검색 조정
- 정적 RAG 대비 대폭 개선
- 1101AI Agents
Coding Agents with an Obstacle-Aware Harness for Safe Robot Manipulation
- 장애물 인식 하네스 실행 계층 내장
- 충돌 회피 보장
- 물리 에이전트 안전 배치 기반
- 1100AI Agents
Quantifying Overclaiming Propensity in Frontier LLM Agents
- overclaiming 최초 정량화
- 모델 능력 무관 체계적 발생
- 자율 배포 신뢰성 지표
- 1099AI Agents
An Empirical Study of Harness Design for Coding Agents
- 176개 설정 4개 모델 비교
- 컨텍스트 관리 효과 대부분 오버플로우 방지
- staged elision→요약 최고 효율
- 계획: 약한 모델=정확도, 강한 모델=비용
- bash-only로 동등 성능+저비용
- 1097LLMs / NLP
What Does Privileged Information Add to On-Policy Self-Distillation?
- 정답은 같고 설명 수준만 다른 6가지 보기를 가진 5,319문제 수학 데이터셋(AMPLE-MATH)을 만들어, 특권 정보의 효과만 분리해 측정할 수 있게 했다.
- Qwen3-1.7B에서는 정답 정보 없이도 증류 효과의 대부분이 나타났고, 추가 이득은 다듬어진 풀이를 줬을 때 가장 컸다(그래도 미미한 수준).
- SmolLM3-3B에서는 완전 풀이 트레이스가 50스텝 시점에서 약 2%포인트의 추가 이득을 보였다.
- 문제·정답·평가를 그대로 두고 학생의 답안 생성 방식만 직답에서 긴 사고형으로 바꾸자 두 모델 모두 이득이 손실로 뒤집혔다.
- 교사의 토큰 수준 감독 신호를 바꿔도 학생 행동은 거의 그대로인 경우가 많았고, 손실 창을 넓힌 이득의 76%는 사실 조기 스톱 시점 차이였다.
- 결론적으로 OPSD는 기존 추론 능력에 대한 접근성을 높이는 효과가 크고, 특권 정보의 가치는 풀이를 얼마나 드러내느냐가 아니라 이 전이에 얼마나 보태느냐로 판단해야 한다.
- 1096LLMs / NLP
JEPA-Anything: Learning Predictive Models across Different Worlds
- 예측 대상을 서로 직교하는 여러 요인으로 분해해 각각 따로 예측하고 합치는 구조(OPF)로, 한 덩어리로 배울 때 생기는 간섭을 없앴다.
- 비전·생물·임상·제어·분자·물리장·날씨 7개 영역에서 같은 핵심 구조를 재사용해, 매칭된 JEPA 기준 대비 10개 다이내믹스 과제 전부에서 성적을 올렸다.
- 단일 개입 예측 오차를 34.8% 줄였고, 분자동역학 100단계 롤아웃에서도 비교 방법 중 최저 오차를 4개 시스템 모두에서 달성했다.
- 모델이 지목한 생물학 개입(IL-18 + CD73 차단)이 실제 공동배양·오가노이드·마우스 실험에서 항종양 효과로 확인됐다.
- 궤도 운동 데이터에서 물리 법칙을 가르쳐준 적 없이 케플러 스케일링 지수(이론값 -1.5)를 -1.4991로 복원해냈다.
- 1095Machine Learning
Score Centering Stabilizes Off-policy Reinforcement Learning
- RL 불안정의 원인을 '드리프트'(엔진 간 편차가 훈련 스텝마다 누적되는 것)로 특정하고, 이를 상쇄하는 덧셈식 보정항을 수학적으로 유도했다.
- FP8/INT4 같은 저정밀 양자화 상황에서 800스텝 훈련 시, 스코어 센터링이 PPO·DAPO 등 주요 보정법들을 따라잡거나 앞질렀다.
- 비율 곱셈이 아니라 덧셈 보정이라 중요도 샘플링과 조합 가능하고, 조합 시 낡은 롤아웃(staleness) 실험에서 순수 중요도 샘플링보다 성적이 더 좋았다.
- Qwen3-0.6B(Countdown 게임)와 Qwen3-30B(수학 데이터)로 검증했고, 코드를 깃허브에 공개했다.
- 1094LLMs / NLP
DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression
- KV 캐시를 층 간 공유(CSA2) + FP4 저정밀 저장으로 묶어, 토큰당 메모리를 이전 세대의 약 1/4(890바이트)로 줄였다.
- SSD에 저장하는 영구 캐시는 SWA Bounded Replay 기법으로 약 1/8까지 줄여, 긴 대화를 여러 번 이어 쓰는 에이전트에 유리하다.
- 인코더-디코더 구조(CED)로 입력 처리 시 활성 파라미터를 절반(8B)으로 낮춰, 입력이 많고 출력이 짧은 에이전트 작업에 비용 효율이 좋다.
- 최대 100만 토큰 컨텍스트를 지원하며, 45T 토큰 멀티모달 데이터로 사전학습하고 대규모 에이전트 과제 합성 + RL로 사후학습했다.
- 추론 노력(reasoning effort) 설정을 25→100으로 올리면 답 길이가 2.0~3.1배로 예측 가능하게 늘고, 성능도 일관되게 올라가는 것을 8개 벤치마크에서 확인했다.
- 모델 체크포인트를 허깅페이스에 공개해 바로 써볼 수 있다.
- 1093AI Agents
SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness
- RSI(재귀적 자기개선)를 하네스 계층에 적용 — AI가 실행 트레이스를 관찰하고 하네스 코드를 자동 개선
- 광역→심화 단계별 탐색: 152개 제안 방향 → 500개 실행 환경 → 3,000+ 실행 → 4개 메커니즘 생존
- 생존한 4개: Action Fusion(명령 병합), Online Context Compaction(컨텍스트 압축), ObservationPack(관찰 묶음), Evidence-Preserving Delegated Reading(위임 읽기)
- EdgeBench 51과제에서 Pi와 동등한 성능(42.0 vs 44.8) + 토큰 44.7~49.0% 감소 + API 비용 약 1/3 절감
- GPT-5.6 Sol과 Opus 5 양쪽에서 일관된 개선 — 모델 간 일반화 확인
- '하네스 사전학습' 개념 제시 — 더 효율적인 하네스가 다음 연구 사이클의 비용을 낮추는 재귀적 효율 개선 비전
- 1092Robotics
Modality-Autoregressive World-Action Models
- 미래를 여러 정보 형태로 순서대로 예측하고 행동을 마지막에 생성하는 '모달리티 자기회귀' 구조를 처음 제안했다.
- 점 궤적(움직임), DINO 특징(의미), 깊이(기하) 예측은 성능을 올리지만 RGB 영상 예측은 일관된 이득이 없음을 밝혔다.
- 6B 사전학습 모델 대비 약 20배 적은 학습 계산량으로 비슷하거나 더 나은 성공률(75% vs 72%)을 달성했다.
- 양팔 로봇 실제 과제(컵 쌓기, 수건 접기, 서랍 정리)에서 기존 방식을 이겼고 사람 영상 데이터를 섞으면 더 좋아졌다.
- 사전학습 없이 처음부터 훈련해 통제된 비교가 가능하다는 점이 이 분야 실험 설계에 주는 시사가 크다.
- 1091Natural Language Processing
ScienceIDE: Turning World's Scientific Codebase into Agent Learnable Environments
- 논문·코드가 그대로 훈련 경험이 되지 않는 '과학 경험 병목'을 정의하고 이를 푸는 인프라를 제안했다.
- 27개 과학 코드베이스를 64개 실행 환경, 2,812개 검증 과제로 바꿨고 천문·기후·재료 등 분야가 넓다.
- 검증된 궤적으로 훈련한 PhAI-IDE 모델 family가 과학 코드 수리뿐 아니라 일반 코딩·추론 벤치마크에서도 좋아졌다.
- ScienceIDE-Hard 평가에서 최상위 모델(Claude Fable 5.1)도 67% 수준에 그쳐, 과학 코딩이 여전히 어려운 영역임을 보여준다.
- SFT와 강화학습, 평가가 같은 환경 위에서 돌아가는 통합 작업공간을 지향한다는 점에서 LabChin 구조와 직접 공명한다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기