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.

  1. 1060Agents / Infrastructure

    HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness?

    • HarnessDev는 하네스를 한 번의 답변이 아니라 여러 과제에 재사용되는 실행 인프라로 정의하고, 생성과 진화를 분리해 능력과 실행 토큰 비용을 함께 평가한다.
    • 6개 생성 모델, 4개 분야, 5개 벤치마크의 2,207개 고유 과제를 사용했으며, 생성된 하네스는 글쓰기·머신러닝 실험에는 강했지만 코드·검색·연구에서는 사람 제작 기준보다 뒤처졌다.
    • 코드 하네스 18개는 모두 실행 루프를 만들었지만 상태·메모리는 가장 약했다. 11개가 State 클래스를 선언했어도 저장 인터페이스와 주기적 체크포인트는 각각 1개뿐이었고, 26,679개 실행 기록에서 체크포인트 이벤트는 한 번도 나타나지 않았다.
    • 9개 진화 과정의 73개 공식 버전과 64번의 버전 전환을 분석한 결과, 보이는 점수와 숨긴 점수가 같은 방향으로 움직인 비율은 53.1%였고 최종 선택 버전이 숨긴 과제의 최적 버전인 경우는 2/9에 그쳤다.
    • 실행 모델을 Gemini로 고정한 진화 실험에서는 Opus 계열만 숨긴 과제 성능이 좋아지고 나머지 3개 계열은 나빠져, 하네스 개선이 특정 모델과 공개 피드백에 과적합될 수 있음을 보여줬다.
  2. 1059Machine Learning

    WHALE: A Simple Recipe for Joint Harness-Weight Optimization

    • 현재 하네스를 고정한 온라인 거부 샘플링 미세조정과 갱신된 모델을 고정한 Meta-Harness 코드 탐색을 번갈아 수행한다.
    • Qwen3.5-2B와 4B를 검색 질의응답, 수학 추론, 체스 퍼즐에 평가해 단일 요소 기준보다 7.67~24.38%포인트, 프롬프트만 바꾸는 FST보다 4.15~13.00%포인트 높은 최고 정확도를 기록했다.
    • 검색 과제는 하네스가 주된 병목이었지만 수학 과제는 먼저 가중치를 갱신해야 같은 하네스 탐색이 효과를 내어, 과제마다 병목 위치가 달라짐을 보였다.
    • 작은 갱신을 여러 번 교차하면 가중치를 모두 학습한 뒤 하네스를 한 번 찾는 단계식 방식보다 정확도와 롤아웃 효율이 좋아져, 에이전트 학습 파이프라인을 하나의 공동 최적화 문제로 설계할 근거를 준다.
    • 중요한 한계는 Qwen3.5-2B와 4B 및 세 과제에만 검증됐고, 롤아웃 비용 비교에서 하네스 제안 모델의 계산량을 제외했다는 점이다.
  3. 1058Computer Vision

    Qwen-Drive-1.0: An Initial Step towards a Vision-Language Foundation Model for Autonomous Driving

    • 사전학습 VLM(Qwen3.5-4B) 구조를 하나도 바꾸지 않고, BEV 인식 헤드와 계획 전문가(Planning Expert) 두 외부 모듈만 붙여 3D 인식·질의응답·경로 계획을 통합했다.
    • BEV 헤드를 '3D 탐침(probe)'으로 써서, 모델이 텍스트 답변만 능숙한 게 아니라 실제 3D 장면 구조를 얼마나 아는지 검사 가능하게 만들었다.
    • 운전 데이터와 범용 비전-언어 데이터를 섞는 단계적 학습으로 주행 능력과 일반 능력을 함께 유지해, 치명적 망각(새로 배우며 옛 능력을 잃는 문제)을 완화했다.
    • nuScenes에서 3D 인식 43.95 mAP·지도 60.99 mIoU, NAVSIM 주행 점수(PDMS) 90.7, Waymo E2E 평가자 점수 7.91을 기록했다.
    • 차량 내 콕핏(멀티미디어)과 주행 기능이 하나의 컴퓨팅 플랫폼을 공유하는 추세에 맞춰, 운전만 하는 모델이 아니라 다 같이 하는 모델을 지향했다.
  4. 1057Computer Vision

    H3-World: Turning Language Understanding into World Control

    • 33B 영상 생성 모델 MiniMax-H3에 전용 조종 모듈을 붙이지 않고, 모델이 이미 아는 텍스트 경로를 조종 인터페이스로 그대로 재활용했다.
    • 게임 플레이 샘플 8,000건, LoRA 학습 10,000스텝, 학습 파라미터 0.199%만으로 캐릭터·카메라 정밀 조종을 달성했다.
    • 시간 어텐션 라우팅으로 각 명령이 자기 시간 구간에만 작동하게 막아, 명령이 다른 구간으로 새는 문제를 줄였다.
    • 카메라 방향 전환 실험에서 전역 프롬프트 방식은 수평 흐름 +0.0/-17.3에 그친 반면, H3-World는 +52.7/-106.0으로 두 방향 모두 정확히 따랐다.
    • 학습 때 본 적 없는 행동 조합과 게임 밖 장면(1인칭 시점, 실내, 판타지 등)에도 같은 인터페이스가 그대로 작동했다.
  5. 1056Computer Vision

    Lucida: Parse, Generate, and Place for Composable Real-to-Sim Scene Modeling

    • '정확한 입력'을 요구하던 3단계 파이프라인의 요구사항을 재분배해, 각 단계가 실제 촬영 데이터가 신뢰성 있게 주는 것만 소비하게 재설계했다.
    • GizmoAct라는 VLM 정책이 물체 배치를 3D 에디터 GUI 조작으로 바꿔, 다음 수정과 정지 시점을 렌더링만 보고 스스로 결정한다.
    • 장면 3D 검출에서 Boxer 대비 mAP를 0.351에서 0.592로 69% 개선했다.
    • 포즈 추정 ADD-SB@0.05를 CA-1M에서 57.8%에서 83.4%로 25.6%p 끌어올렸고, 장면 재구성 F-스코어도 0.794(SAM 3D)에서 0.924로 올렸다.
    • SFT 후 강화학습으로 훈련한 단일 정책이 오차 특성이 다른 초기화 방식들에 재학습 없이 대응했다.
  6. 1055LLMs / NLP

    PaperGym: Rubric-Centered Evolution for Research-Plan Generation

    • 논문 구조를 이용해 질문(목표·배경)과 채점 기준(방법·실험)의 출처를 분리, 기준 누출률을 기존 11.9~34.1%에서 3.7%로 낮췄다.
    • 같은 루브릭을 OPSD 자가교사의 특권 컨텍스트로, 그다음 GRPO 보상으로 두 번 쓰는 2단계 학습이 SFT·단독·역순을 모두 이겼다.
    • Qwen3-1.7B/4B/8B에서 5개 벤치마크 평균을 각각 +5.6, +5.0, +4.8점 올렸다.
    • 학습 레시피를 고정한 대조에서 PaperGym-20k 학습 모델이 3자 비교 승률 58.1%로 RubricHub Science(28.2%)를 압도해 데이터 품질의 효과를 분리해 보였다.
    • 훈련된 Qwen3-8B가 ResearchQA 73.48로 훨씬 큰 Kimi K2.6(73.19)을 넘었다.
  7. 1054Robotics

    LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation

    • 과제별 예측 헤드 없이 VLM 백본 하나로 안내 따르기, 열린 어휘 물건 탐색, 시각 추적을 한 모델로 처리했다.
    • 이중 포인팅(어포던스 점+오브젝트 점)이 평균 성공률을 54.7%에서 63.1%로 끌어올렸고, 제거 시 모든 벤치마크에서 성능이 떨어졌다.
    • 잔차 벡터 양자화(RVQ) 행동 토크나이저로 토큰 3개만으로 10개 웨이포인트 궤적을 정밀 생성했다.
    • 10개 공개 내비게이션 시뮬레이션 전부에서 단안(monocular) 성공률 최고치를 기록했다.
    • 휴머노이드·4족·공중·바퀴 로봇에 제로샷 전이됐고, 환경 다양성 확대가 모델 크기 증가보다 확실한 성능 축이었다(백본은 4B 이상에서 포화).
  8. 1053Machine Learning

    Does On-Policy Distillation Really Distill? From Noisy Teacher to Self-Improvement

    • OPD의 교사 신호가 4B 교사 30.6%, 235B 교사 50.6%까지 노이즈(정답에 벌점, 오답에 점수)였는데, 노이즈를 지우고 학습해도 결과가 사실상 같았다.
    • OPD의 이득은 저확률 토큰에 집중되며, 고정된 음의 어드밴티지 하나로 교사 신호를 대체할 수 있음을 보였다.
    • 외부 감독이 전혀 없는 OPSA는 AIME24 Avg@32를 +35.41점(상대 263%) 올렸고 OPD보다 16.77점 높았다.
    • 3개 수학 벤치마크(AIME24/25, HMMT) 모두에서 Pass@32를 두 배 이상 늘렸다.
    • 확률이 갈리는 고엔트로피 분기점에서는 후보 토큰에 확률을 골고루 나눠, 분포를 날카롭게 만들면서도 탐색 다양성을 유지했다.
  9. 1052Machine Learning

    Normalized Low-Rank Adaptation

    • LoRA의 초기 학습이 다운 프로젝션 A에 좌우된다는 점을 짚고, A를 랭크 방향으로 정규화하는 것만으로 최적화가 개선됨을 보였다.
    • 감독 미세조정 평균을 37.93(LoRA)에서 43.37로 올렸고, 초기화 시점에만 정규화를 적용하는 NoRA-init만으로도 42.38까지 올랐다.
    • 수학 추론 강화학습(RLVR)에서 전체 평균 44.4%로 LoRA(42.8%)를 넘었고, 같은 설정에서 SVD 기반 PiSSA는 0.2%로 무너지는 것과 대조적으로 안정적이었다.
    • 적응 후 기존 지식 유지(MMLU 등 3종 평균 변화)가 +0.02로, LoRA(-0.56)나 MiSS(-0.70)보다 망각이 훨씬 적었다.
    • DoRA에도 같은 정규화 원리를 적용해 38.30에서 41.40으로 올려, 아이디어가 LoRA 계열에 한정되지 않음을 확인했다.
  10. 1051AI / General

    The Illusion of $\textit{What If}$: Evaluating the Breakdown of Counterfactual Reasoning in LLMs

    • 열린 도메인 what-if 질문 220개(STEM/인문사회/혼합)로 구성된 진단 벤치마크를 공개했다.
    • 자유 서술 답변을 인과 그래프(사건·상태·메커니즘의 DAG)로 변환해, 결과가 아니라 추론 과정을 채점하는 PRISM 평가기를 만들었다.
    • 최신 LLM 6개 중 최고 성적이 64.62%에 불과해, 반사실 추론이 아직 포화 상태에서 멀다는 걸 보였다.
    • 가장 흔한 실패는 '인과 공백'이었다. 그럴듯한 결과를 나열하지만 전제를 결과로 잇는 중간 다리가 빠져 있었다.
    • 유창한 서술이 엉성한 인과 과정을 감춘다는 결론으로, 구조 기반 평가의 필요성을 강조했다.
  11. 1050Machine Learning

    Fast Weight Attention for Continual Learning

    • 상태 갱신 규칙을 온라인 학습으로 재해석해, 시간 정렬·가소성·망각·리허설을 분리해 분석하는 틀을 만들었다.
    • 다음 토큰 예측에서 상태가 학습해야 할 쌍이 (직전 키, 현재 값)으로 한 스텝 어긋나 있음을 밝혔다.
    • 회귀 목표(Falcon-1/2/3)와 내적 목표(Falcon-1A/2A/3A)의 정규화 1차 갱신식을 유도하고 재발·마스크 병렬·청크 병렬 형태를 제공했다.
    • 언어모델링 평가에서 기존 순환 모델들과 경쟁력을 유지했다.
    • 33~48자리 덧셈 외삽에서 Falcon-3A.3가 87.2%로 RetNet·Transformer 기준선을 모두 앞섰다.
  12. 1049Computer Vision

    Code as Worlds: Agentic Discovery of Executable World Representations for Physical Reasoning

    • 물체·물리 법칙·겉모습을 코드로 써서, 컴팩트하면서도 숫자로 검증 가능한 세계 표현을 만들었다.
    • 제안→실행→렌더링→검증→수정의 에이전트 루프(가추 추론에서 영감)로 글이나 영상에서 세계 표현을 자동으로 발견했다.
    • 검증된 실행 세계를 감독 신호로 활용해, 영상 속 속도·질량 같은 수치를 묻는 정량 물리 추론을 시각-언어 모델에 가르쳤다.
    • Code-as-World-VL-9B가 QuantiPhy에서 Gemini-3.1-Flash 같은 훨씬 큰 상용 모델을 능가했고, 27B는 전체 최고 성적을 냈다.
    • 가설을 세우고 실험으로 확인하는 과학적 발견 절차를 에이전트 루프로 옮겼다는 점이 핵심 의의다.
  13. 1048LLMs / NLP

    ContextPilot: Teaching Agents for Proactive Context Management via Fine-grained RL

    • 도구 세트에 계획·장기 기억·오프로딩을 추가하자 BrowseComp+ 정확도가 63.49%에서 80.96%로 올랐다.
    • 강화학습 적용으로 더 어려운 BrowseComp+ 벤치마크에서 5.34점 상승했다. 과제가 길고 어려울수록 효과가 커졌다.
    • 기존 에이전트의 입력 길이는 턴마다 30K 토큰까지 선형 증가했지만, ContextPilot은 8~10K 토큰에서 안정됐다.
    • 강화학습이 도구 사용 실수도 줄였다. 초기에 잦던 기억·오프로딩 도구 실패가 훈련되며 크게 감소했다.
    • Qwen3-8B/14B, Gemma4-E4B 등 서로 다른 베이스 모델에서도 일관된 향상을 보였다.
  14. 1047Research

    Agentic Artifact Creation: Systems, Evaluation, Principles, and Opportunities

    • 2026년 8월까지 발표된 연구 259편을 검토해, '상태 저장 + 관측 기반 방향 수정'이 있는 에이전트 생성을 하나의 연구 분야로 정의했다.
    • 텍스트, 2D 영상, 오디오, 비디오, 3D·공간, 행동(소프트웨어 등) 6개 결과물 계열별 공통 과제와 난이도를 비교했다.
    • 작업을 쪼개면 국소 복잡도는 줄지만 조정·재조립 비용이 늘어나는 트레이드오프를 짚었다.
    • 생성 모델과 같은 취향·맹점을 공유하는 '학습된 심판'은 독립적 증거를 거의 추가하지 못한다고 경고했다.
    • 약속과 책임을 명시하고, 피드백을 국소 수리로 바꾸고, 변경 후에는 영향받은 부분을 다시 검증하라는 원칙을 제시했다.
  15. 1046LLMs / NLP

    Sliding-window beats linear attention

    • 추가 학습 0회: 어텐션 마스크만 바꾸는 SWA로, 수십억~수십억 토큰 재학습이 필요한 선형 어텐션 전환과 맞먹거나 능가했다.
    • 긴 문맥에서 격차가 더 컸다. 256K 컨텍스트에서 SWA는 원래 성능의 20~25%를 회복했지만 선형 어텐션(LoLCATs)은 2.2~5%에 그쳤다.
    • MMLU에서 SWA는 원 성능의 93.2%를 회복해 LoLCATs(83.2%), Liger-GLA(62.2%) 등 주요 선형화 방법을 모두 앞질렀다.
    • SWA(윈도우 64)는 테스트한 방식 중 디코딩 속도가 가장 빠르고 메모리도 가장 적게 들었다.
    • 영상 생성 모델에서도 훈련 없는 슬라이딩 윈도우가 강력한 기준선이라는 점을 관련 연구 인용으로 확인했다.
  16. 1045Computer Vision

    Video Generative Models as Geometry Learner

    • 영상 생성 모델이 원래 갖고 있던 시간 일관성 지식을 그대로 물려받아, 깊이·법선을 이미지와 함께 한 번에 생성했다.
    • 약 100분의 1 수준의 학습 데이터로도 기존 최고 성능 판별 모델과 대등한 성능을 냈다.
    • 깊이·법선을 각각 따로 예측하던 기존 방식과 달리 하나의 모델로 통합해 체크포인트 저장과 계산 비용을 아꼈다.
    • 단 한 번의 예측으로 모든 생성형 기준선을 넘어섰고, 가벼운 앙상블(5×5, 10초)로 성능을 더 끌어올렸다.
    • 뽑아낸 3D 기하 정보로 이미지 재조명, 조절 가능한 이미지 생성, 3D 메쉬 복원 같은 응용이 가능해졌다.
  17. 1044Computer Vision

    Self-OPD: On-Policy Distillation for Flow Matching Models without Teacher

    • 교사 모델이 아예 필요 없어, DiffusionOPD의 총 97시간(교사 학습 85.8h + 증류 11.3h) 대비 웜스타트 구성으로 약 44~48시간에 도달해 2배 가까이 빨라졌다.
    • K개 확률적 갈래 + 자기 기준선으로 매 스텝 밀도 높은 학습 신호를 얻어, 종료 보상만 쓰는 강화학습(Flow-GRPO류)의 높은 분산 문제를 피했다.
    • 좋은 갈래만 따라가는 Best-of-K는 학습이 불안정했고, 전 갈래 풀-푸시 + KL 정규화가 안정 수렴의 핵심이었다(제한 없는 반발 항은 성능 붕괴 0.768 유발).
    • 여러 목표(글자·구도·미감)를 보상 수준에서 합쳐 그래디언트 충돌 없이 한 이미지가 동시에 만족하게 했다(선호 점수 하락 폭 0.48 vs 교사 방식 1.23).
  18. 1043AI / General

    SwarmWorld: Stigmergic technological evolution in societies of language-model agents

    • 역할·레시피·중앙 통제가 전혀 없는데도 똑같은 에이전트들이 탐험·건설·유지·조정 행동으로 저절로 분화했다(행동 특징 15개로 군집화해 확인).
    • 에이전트를 모두 제거한 뒤 8가지 예고 없는 교란으로 채점하는 구조를 만들어, LLM의 자기 주장이 아니라 시뮬레이터가 판정하는 객관 기능을 측정했다.
    • 공유 세계가 각자 탐색 대비 검증 발명 수 +1.2~+6.0개, 회복력 지표도 일관되게 앞섰다(시드 4개 짝비교).
    • 기술 재사용은 채팅이 아니라 남이 만든 유물을 몸소 관찰하는 데서 시작되는 경우가 가장 많았다.
    • 가르치기(TEACH) 같은 명시적 문화 장치는 협업과 조직을 키우지만, 기능 이득은 평가 항목과 시간대에 따라 들쭉날쭉해 만능이 아니었다.
  19. 1042Machine Learning

    Understanding Evolution Strategies for LLM Reasoning: Broader Reasoning Coverage than GRPO

    • ES가 GRPO와 달리 엔트로피 붕괴(탐색 다양성 소멸) 없이 Pass@1과 Pass@K를 함께 높여 추론 답 다양성을 지킴을 보였다.
    • GRPO로 먼저 학습하고 ES로 마무리하는 순차 조합이 두 방법의 강점을 결합했다.
    • 성능 향상은 큰 폭 업데이트 일부(주로 정규화·어텐션 파라미터)에 집중돼 있어, 파라미터가 크게 움직여도 기능 변화는 드물다는 걸 보였다.
    • 홀드아웃 평가에서 ES는 기존 능력을 대체로 유지해, 큰 파라미터 이동 자체가 재앙적 망각을 유발하지 않는다는 반례를 제시했다.
    • z-점수 보상 정규화가 필수이고, 모델이 클수록 개체수 N=16만으로도 N=64에 근접했다.
  20. 1041Computer Vision

    DINOcular: Self-Supervised Visuospatial Representations

    • 깊이를 로터리 위치 인코딩(RoPE)의 세 번째 축으로 넣어 기하 정보가 특징 표현에 자연스럽게 들어가게 했다.
    • 자기지도학습(라벨 없는 학습) 방식으로 RGB-D 영상에서 외관과 공간 구조를 함께 담은 표현을 배웠다.
    • 3D 대응점 찾기(NAVI·ScanNet)에서 같은 규모 기존 모델을 이겼고, ScanNet에서는 DINOv3 ViT-B보다도 높았다.
    • 3D 자세 추정에서 대형 모델(DINOcular-L)이 모든 baseline을 이기는 구간이 있었다.
    • 3D 이해를 높이는 대신 시맨틱 성능이 소폭 희생되는 트레이드오프를 확인했다.
  21. 1040LLMs / NLP

    Puro-2B: Poor Lab's Qwen2-1.5B Trained on RTX 5090 within $5090

    • 소비자용 RTX 5090 클러스터에서 FP8 저정밀 학습으로 2B 모델 사전학습 비용을 약 6,900달러로 낮췄다.
    • 1.4조 토큰·22,514 GPU시간·17.6일 학습으로 Qwen2-1.5B 성능을 넘고 Qwen2.5-1.5B에 근접했다.
    • 학습 비용-성능 관계를 맞춘 'Puro 비용 스케일링 법칙'을 제시했고, 약 4,400달러면 Qwen2-1.5B급에 도달한다고 추정했다.
    • 하드웨어 선택, 저정밀 학습, 하이퍼볼 최적화, 커리큘럼 모델 평균, 데이터 레시피의 다섯 요소가 비용 효율을 만들었다.
    • 가중치 10종, 데이터 매니페스트, 학습·전처리 코드를 Apache 2.0으로 전부 공개했다.
  22. 1039Robotics

    Pre-training Visual Dexterity in Simulation

    • VR 시뮬레이션 텔레오퍼레이션으로 실제 로봇 없이 일주일 만에 75시간·약 2000 에피소드의 손 조작 데이터를 모았다.
    • 사전학습 후 실제 데모 1~2시간 파인튜닝만으로 5개 실과제 모두에서 처음부터 학습보다 나은 성적을 냈다.
    • 과거 관찰 기록(히스토리)을 보게 하고 행동 조각을 짧게(8스텝) 끊는 설정이 반응성과 일관성을 동시에 잡았다.
    • 히스토리+짧은 행동 조각 구성이 사전학습 덕을 가장 많이 봐서 처음부터 학습 대비 평균 18포인트 올랐다.
    • 데이터셋(spd-75h)과 VR 수집 소프트웨어(spd-vr), 튜닝된 6개 씬을 공개했다.
  23. 1038AI / General

    WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution

    • 실행 기록·지식·스킬을 세 층으로 분리하고, 위키층은 절대 초기화하지 않고 계속 쌓는 구조를 만들었다.
    • 검증 성적이 오르는 스킬 수정만 채택하고 나빠지면 되돌리는 게이팅으로 안정적으로 진화시켰다.
    • 5개 벤치마크(수학·검색·스프레드시트·문서QA·가정환경 과제)·5개 모델에서 기존 스킬 진화 방법을 일관되게 이겼다.
    • 모델이 클수록 스킬 진화 효과가 커져서, Qwen 계열에서 4B/9B/27B가 각각 평균 +12.3/+17.5/+23.9% 올랐다.
    • 9B 모델+WikiSkill(47.4%)이 스킬 없는 27B 모델(39.4%)을 이겼고, 남이 진화한 스킬이 자기 스킬보다 나은 경우도 있었다.
    • 위키를 없애는 절임 실험에서 성능이 떨어져, 지식 축적이 효과의 핵심임을 확인했다.
  24. 1037Robotics

    CLAP: Cross-Embodiment Video World Models are Zero-Shot Physical Simulators

    • 서로 다른 로봇 플랫폼과 사람 영상을 한 모델에 함께 학습시키는 크로스바디 월드모델 프레임워크를 만들었다.
    • 엔드이펙터 좌표, 자연어, 잠재 행동 표현으로 서로 다른 행동 공간을 통일했다.
    • 라벨 없는 영상(잠재 행동)에서 엔드이펙터 행동으로 이어지는 커리큘럼 학습으로 제로샷 배치를 가능하게 했다.
    • DROID 등 도전 환경에서 단일 바디 SOTA에 근접하거나 능가했고, 소수 샘플 적응으로 격차를 더 벌렸다.
    • 월드모델 내 추론 시 계획과 RL 파인튜닝으로 π0.5, MolmoAct-2 실과제 성공률을 높였다.
  25. 1036AI / General

    Tunable Tool-Call Rates in LLM Agents via Representation Steering

    • 도구 호출 여부를 결정하는 선형 방향을 학습 없이 모델 자체 신호에서 뽑아냈다.
    • 방향 강도를 조절하면 호출률이 0% 근처에서 90% 이상까지 단조적으로 움직인다(호출 형식은 그대로 정상).
    • 방향을 올리면 모델이 스스로 못 답하는 질문에 정확히 도구를 부르고, 내리면 불필요한 호출을 줄인다.
    • 안 본 도구에도 전이되고, 어느 도구를 고르는지(선택)와 호출할지(결정)가 서로 다른 방향으로 분리돼 있다.
    • 실 실행 환경에서 QA 정확도를 0.29에서 0.56으로 올렸고 dense·MoE·멀티모달 모델까지 같은 레시피가 통했다.
  26. 1035Research

    High-Temperature Superconductivity of the Fe-Se-H compound

    • 임계온도 8K인 FeSe 단결정에 180도·5기압의 수소를 10시간 열확산시켜 Fe-Se-H 분말을 만들었다.
    • EPR 분광기로 3.6~25K와 295K에서 6000Oe까지 자기장에 따른 마이크로파 흡수를 측정했다.
    • U자형 비선형 흡수와 준주기 신호를 2종 초전도체의 혼합 상태와 아브리코소프 와동이 나타난 증거로 해석했다.
    • 저자들은 이 신호를 근거로 정상 압력의 295K에서도 초전도가 존재한다고 주장해 상온 초전도 가능성을 제시했다.
    • 다만 전기저항이나 자화의 직접 전이 측정이 아니라 EPR 신호 해석에 의존하므로 독립적인 재현과 교차 검증이 반드시 필요하다.
  27. 1034Robotics

    Memory Anchors for Continual Robot Learning

    • 리플레이 버퍼의 모든 데이터가 똑같이 중요한 게 아니라, 충돌 영역의 소수 데이터가 망각 방지를 좌우함을 발견했다.
    • 정책 잠재공간에서 관측은 겹치는데 행동이 충돌하는 영역을 찾아 메모리 앵커를 뽑는 3단계 절차를 만들었다.
    • 상위 10% 앵커만 제외해도 LIBERO 벤치마크에서 망각이 4.5배 증가했다.
    • 버퍼 10%를 앵커로 채우는 ANCHORER는 충돌 과제 망각을 63% 줄였다.
    • 실제 로봇 두 과제 시퀀스 연속학습에서 무작위 버퍼 대비 총 성공률 1.7배를 냈다.
  28. 1033Robotics

    Learning to Act While Waiting: RL Finetuning of Generalist Robot Policies Under Inference Latency

    • VLA의 추론 지연(100~300ms)이 환경 다이내믹스를 바꿔 RL의 마르코프 가정을 깬다는 실패 원인을 규명했다.
    • 확정된 행동과 추론 중간 관측을 상태에 넣는 증강으로 근사 마르코프 구조를 복원했다.
    • 표준 RL이 완전히 실패하는 지연 조건에서도 안정적인 파인튜닝을 가능하게 했다.
    • 지연 없는 이상 조건의 표준 RL 성능과 동등하거나 그 이상을 냈다.
    • 실제 양팔 UR5e 로봇 3개 과제에서 비동기 추론 하의 실세계 개선을 입증했다.
  29. 1032Robotics

    FlashVLA: Streaming Action Decoding for Fast and Asynchronous VLA Inference

    • π0.5 프로파일링으로 동작 디코딩이 스텝당 추론 시간의 75%를 잡아먹는다는 사실부터 확인했다.
    • 잡음 단계가 엇갈린 동작 덩어리 버퍼를 두고 한 번의 순전파로 전부 한 단계씩 디노이징하는 스트리밍 구조를 만들었다.
    • 스텝당 동작 디코딩 지연이 최대 20배 줄었고 전체 파이프라인은 최대 2.43배 빨라졌다.
    • 덩어리 간 인과 어텐션 덕에 별도 미래상태 예측기 없이도 비동기 실행의 시간 불일치가 사라졌다.
    • LIBERO·RoboTwin 2.0·실제 Franka 실험에서 π0.5 성능을 유지·향상하며 단일 GPU 30Hz 이상 제어를 달성했다.
  30. 1031AI / General

    Planetary Prediction Engine: Autonomous Geospatial Prediction via Intelligent Data Selection and Foundation Model Embeddings

    • 자연어 질문만으로 700단계가 넘는 지리공간 예측 파이프라인을 데이터 발굴부터 모델 선택까지 자동화했다.
    • 지리공간 파운데이션 모델 임베딩과 실시간 수집 공변량을 융합해 예측 특징을 만든다.
    • 미국 CDC 건강지표 21개 평균 R²를 60.0%에서 76.8%로, 전문가 베이스라인을 크게 앞질렀다.
    • 2026 콩고 에볼라 유행 예측에서 5주 연속 예보로 신규 침입 보건구 18곳 중 15곳을 미리 짚어냈다(Recall@10 83.3%).
    • 타깃 누출 방지와 과적합 가드 같은 검증 장치를 에이전트 루프 안에 내장했다.

연구에서 제품 적용까지

운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.

보유기술 보기