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.
- 1030LLMs / NLP
TTPO: Test-Time Policy Optimization
- 경쟁급 난제에서 가짜 정답이 85% 틀려도, 반대한 롤아웃의 79%는 실제로 틀렸다는 비대칭 구조를 발견했다.
- 이 비대칭을 이용해 동의 롤아웃은 증류, 반대 롤아웃은 그룹 RL 페널티로 처리하는 TTPO를 만들었다.
- 라벨 전혀 없이 5개 경쟁급 벤치마크에서 라벨 기반 학습(OPSD)과 동등 이상 성능을 냈다.
- 순수 테스트타임 학습 설정에서 Qwen3-1.7B 정확도를 38.0%에서 45.2%로 올렸다.
- 사고모드(긴 추론) 없이도 25.2~36.4%p 오르고, 한 벤치마크 학습이 다른 벤치마크로 일반화됐다.
- 1029Computer Vision
LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics
- EMA 타깃 인코더, 스톱그래디언트, 프레딕터 없이 단일 인코더만으로 영상 표현 학습을 해냈다.
- 토큰 95%를 무작위로 버렸더니 ImageNet 정확도가 33.9%에서 47.6%로 오히려 올라갔다.
- 동일 데이터·동일 에포크에서 V-JEPA 2 대비 총 사전학습 연산 5.6~20.8배를 절약하며 성능 동등 이상을 달성했다.
- 같은 연산 예산에서는 최강 영상 베이스라인보다 ImageNet-1K에서 7.6점 앞섰다.
- 블록-인과 어텐션으로 학습해 새 프레임이 오면 일정한 비용으로 표현을 확장할 수 있다(스트리밍·월드모델 친화적).
- 1028LLMs / NLP
Prefix Sliding for efficient test-time scaling
- 어텐션 분석으로 중간 추론 토큰은 빠르게 중요도를 잃고 프리픽스와 최근 토큰만 중요하다는 사실을 보였다.
- 학습 없이 기존 모델(Qwen3)에 적용해 성능 유지와 3배 빠른 추론을 달성했다.
- RL 학습과 결합해 10만 토큰을 넘는 추론으로 학습할 수 있게 해, 긴 롤아웃을 버리던 문제를 해결했다.
- 중간 토큰 요약이나 단순 슬라이딩 윈도우 같은 대안보다 성능과 속도 모두 우위를 확인했다.
- 코딩 벤치마크(LiveCodeBench)처럼 초반 코드를 오래 기억해야 하는 과제는 큰 윈도우(16384)가 필요하다는 한계도 밝혔다.
- 1027AI / General
Accelerating Scientific Research with Gemini in the Real-World
- CVD 합성 장비와 연동해 무해한 전구체로 MXene 합성 경로를 설계했고, 단층 MoS2·MoSe2·WS2를 한 번의 시도로 성장시켰다.
- 대장균 군집 형태 예측 에이전트를 만들어 미공개 웻랩(습식실험) 측정값과 정량적으로 일치하는 결과를 냈다.
- 의료 응답 에이전트를 완전 자율 설계해 HealthBench Hard/Professional에서 프런티어 모델 6개를 능가했다.
- 30명 전문가·450회 이중맹검 검토로 생성 논문의 환각과 표절을 줄이는 신뢰성 모듈의 효과를 입증했다.
- 도메인별로 인간-AI 협업 수준을 조절하는 적응형 자율성이 폐쇄 루프 연구의 핵심 설계 축임을 보였다.
- 1026Computer Vision
AdaVDR: Adaptive Tool Use and Reflection for Video Deep Research
- 질문·영상 유형별로 최적 도구 조합이 다름을 문제 삼고, 모델이 자기 능력과 내부 지식을 보고 도구 호출을 건너뛰게 했다.
- 대상 모델이 도구 없이도 답할 수 있는 호출을 학습 궤적에서 제거하는 '모델 조건부 도구 필요성 필터링'을 제안했다.
- 엔티티·이벤트 중심 질문 250개, 7개 도메인을 아우르는 VDR-EE 벤치마크와 학습 데이터를 구축해 공개했다.
- 평가한 오픈소스 모델 중 최고 성능을 냈고, VideoDR에서도 베이스 대비 큰 향상을 보였다.
- 중복 인지 보상 RL로 정확도(51%)를 유지한 채 평균 도구 호출을 7.84번에서 6.80번으로 줄였다.
- 1025AI / General
Meta$^n$: Recursive Self-Improvement through Emergent Depth
- 기존 자기개선 시스템은 개선 메커니즘 자체가 고정돼 실현 메타 깊이가 약 2를 못 넘는다고 진단했다.
- 고정된 메타 연산을 자기 출력에 재귀 적용하고, 깊이는 수렴할 때까지(실제로 3~6층) 스스로 정한다.
- 층 사이 맥락 전달이 재귀 이득의 약 72%, 호출 가능한 코드 라이브러리가 약 15%를 차지한다는 이득 분해를 제시했다.
- ARC-AGI-2 홀드아웃에서 메타 스택이 0.331로 유일하게 바닥을 벗어났다(Godel Agent·OpenEvolve는 0점).
- 재귀를 제거하면 CO-Bench 검증 점수가 0.845에서 0.714로 떨어져(+0.131) 재귀 자체의 효과를 분리 확인했다.
- 1024Robotics
$R^3$: Training Robots to Reason in Natural Language via Reinforcement Learning
- 언어 추론을 학습 보조 신호로만 쓰던 기존 방식과 달리, 테스트타임에 추론을 실제로 생성해 하위 정책을 조종하게 했다.
- 1단계는 전문가 추론가의 흔적(성공·실패 무관)으로 추론 스타일을 초기화하고, 2단계는 VLM 심판의 루브릭 보상으로 오프라인 RL(Dr. GRPO)을 돌린다.
- 식료품 포장 12개 홀드아웃 과제에서 평균 성공률 47.9%로 지시만 쓰는 모방학습(38.0%)을 이겼다.
- 학습된 추론자는 대안 비교, 불확실할 때 장면 재관찰, 점진적 단계 선택 같은 신중한 행동 지향 추론을 보였다.
- 추론 예산을 조절하는 개입 실험으로 추론이 성능에 인과적으로 기여함을 확인했다.
- 1023LLMs / NLP
JIT-Agent: Scaling Harness Intelligence via Just-in-Time Harness Evolution
- 에이전트 능력을 모델과 하네스의 결합 결과로 보고, 미리 고정한 하네스 대신 과제마다 즉석 생성하는 JIT 방식을 제안했다.
- 하네스를 메모리·계획·행동·역량의 네 모듈로 나눈 실행 가능한 코드로 표현해 생성과 수리, 진화가 가능하게 했다.
- 과제 맞춤 학습과 실패 복구 학습, 성과가 더 좋은 하네스를 축적하는 Evo-GDPO를 결합해 생성 모델을 훈련했다.
- DeepSeek-V4-Flash는 두 벤치마크에서 GPT-5.6을 9.1점과 4.3점 앞섰고, GLM-5.2도 과제에 따라 최대 20.2점 향상됐다.
- 전체 실행 틀을 즉석에서 바꾸는 방식은 운영 환경의 안정성과 검증 문제가 남아 있어, 저자들도 안정된 핵심부와 검증 가능한 부분 수정 방식을 후속 과제로 제시했다.
- 1022Robotics
One Policy, Many Embodiments: Unified Camera-Centric Action Geometry Pre-training for Heterogeneous Embodied Manipulation
- 로봇·시뮬레이션·사람 손 데이터를 하나의 카메라 중심 동작 공간으로 정렬해 통합 사전학습했다.
- 사람 시연 2,340시간을 리타게팅·영상 합성 없이 '인간이라는 몸체'로 직접 학습에 넣었다.
- 단일 체크포인트로 LIBERO 98.3%, RoboTwin Easy/Hard 88.7%/89.2%, LIBERO-Plus 제로샷 82.0%를 달성했다.
- 실제 로봇에서 빵 집기 60%·서랍 열기 90%·그릇 쌓기 75%로 같은 조건의 pi0.5(20/85/65%)를 이겼다.
- 카메라 보정·깊이 추정 오차가 그대로 전파되고 몸체 간 이전(ALOHA에서 ARX 35%)은 여전히 어렵다는 한계도 밝혔다.
- 1021Computer Vision
AdaptiveEmbed: Sample-Adaptive Multi-Vector Representation for Multimodal Retrieval
- 샘플마다 최적 벡터 수가 1개부터 8개까지 제각각이라는 관츬으로 문제를 제기했다.
- 다중 그룹 대조 학습(MGCL)으로 후보 벡터를 만들고, 효용 정책 최적화(UPO)로 샘플별 벡터 수를 결정한다.
- COCO에서 평균 2.1 벡터로 8개 방향 중 6개에서 최고 성능을 냈고, 54.6만 개 갤러리 OpenImages 제로샷에서도 리드했다.
- 비디오·오디오 검색에서도 평균 1.9 벡터로 고정 예산 방식을 이겨 모달리티 무관함을 보였다.
- 오라클(정답 배분)은 비슷한 평균 예산에서 평균 61.0 mAP까지 가능해서, 적응 배분 자체의 잠재력이 크다고 본다.
- 1020Computer Vision
VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning
- VLM-as-a-judge 평가가 숫자 세기 오류·미세 근거 무시·규칙 오독 같은 실패를 반복함을 확인하고, 결정적 규칙 기반 스코어로 대체했다.
- 300개 절차 생성 과제로 훈련한 모델이 RISE-Video, MME-CoF-Pro 등 외부 벤치마크 7곳에서 대폭 전이됐다(자주 +20%p 이상).
- 이득이 지시 패턴 암기가 아니라 진짜 시각 추론 때문인지 최근접 이웃·반사실 진단 실험으로 검증했다.
- 이미지·비디오·인터리브 생성기 30여 개를 같은 과제 분포로 비교해, 시공간 상태 추적엔 비디오가, 계산 효율엔 인터리브가 유리함을 밝혔다.
- 검증 보상으로 RL을 돌리자 미로 탐색 점수가 0.2249에서 0.8692로 뛰고, 중간 답을 스스로 고치는 자기수정도 관찰됐다.
- 1019Computer Vision
Visual General Intelligence: A White Paper
- 여러 연구자의 관점을 모아 언어보다 훨씬 오래된 시각 경험이 일반 지능으로 가는 독자적인 출발점이 될 수 있는지 검토했다.
- 대규모 생성 학습과 미래 예측, 공간 기억, 지속 학습, 능동 지각, 몸을 통한 상호작용을 시각 지능의 후보 경로로 제시했다.
- 평가는 고정 과제 점수를 넘어 새로운 상황으로의 전이, 지속 적응, 창의성, 물리적 일관성, 능동적 정보 탐색을 봐야 한다고 주장했다.
- 비전 단독과 비전 우선, 언어 결합 등 여러 경로를 열어 두고 시각 일반 지능을 하나의 모델이나 정의로 성급히 고정하지 말자고 결론지었다.
- 이 연구는 새 모델이나 통합 실험을 제시한 논문이 아니라 연구 의제를 정리한 백서이며, 현재의 시각 능력도 서로 분절돼 있고 계산 비용과 시간 범위의 한계가 있다.
- 1018Robotics
Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization
- 언어 지시는 공간 제약이나 중간 상태를 담기 어려워서, 사람 시연 영상을 작업 지시 인터페이스로 채택했다.
- 로봇 궤적에서 의미가 일치하는 사람 영상을 자동 생성하는 파이프라인으로 HumanGen 7.42만 쌍(8,600 작업)을 만들었다.
- 기존 작업 지식의 지름길에 기대지 않게 미래 구간 예측(IFP) 목표를 추가해 모델이 영상 프롬프트를 강제로 참고하게 했다.
- RoboTwin 2.0에서 못 본 작업 7개 평균 성공률 47.0%로 최강 베이스라인(LingBot-VA) 대비 +29.5%p를 기록했다.
- 실제 로봇에서도 다중 물체·장기 과제·정밀 삽입 같은 못 본 구성에서 영상 지시를 잘 따라갔다.
- 1017Computer Vision
Code World Model: Coding Agent as World Brain
- 비디오만으로 배우는 기존 세계 모델은 '왜 그렇게 되는지'라는 규칙을 못 배우고 결과 장면만 흉내 낸다고 진단했다.
- 코딩 에이전트(뇌)는 드물게 복잡한 결정만 내리고, 코드는 자주 반복되는 상태 갱신을 빠르게 처리하는 이중 구조로 역할을 나눴다.
- 게임플레이 157개 테이크(약 5.6시간)에서 9,420개 클립을 뽑어 MiniMax-H3를 LoRA로 파인튜닝했다(훈련 파라미터 약 5.96억 개).
- 프록시 조건 해상도는 출력의 1/16 수준이라 추가 추론 부담이 거의 없다고 밝혔다.
- 학습 규모가 작고 실시간 생성도 안 되며, 코딩 에이전트가 복잡한 게임 메커니즘을 처음부터 만들긴 아직 어렵다고 한계를 인정했다.
- 1016Computer Vision
LeFlow: Generative Latent Flow Planning for World Models
- LeFlow는 고정된 잠재 세계 모델 위에서 현재 상태와 목표를 잇는 재사용 가능한 잠재 경로를 정류 흐름 모델로 생성한다.
- 생성된 잠재 전이는 역동역학 디코더가 행동 묶음으로 바꾸고, 세계 모델의 자기회귀 롤아웃이 정해진 수의 후보를 검증해 고른다.
- 네 가지 목표 조건부 픽셀 제어 벤치마크에서 반복적인 행동 공간 최적화보다 성공률이 꾸준히 높았고 계획 시간은 대략 10배 줄었다.
- 이 방식은 세계 모델을 단순 예측기로만 쓰지 않고 여러 상태와 목표에 재사용할 수 있는 빠른 계획기로 확장한다는 적용 의미가 있다.
- 현재 방법은 짧고 고정된 계획 구간에 머물며, 긴 구간에서는 생성 문제가 커지고 고정된 예측기의 롤아웃 오차가 누적되는 한계가 있다.
- 1015Computer Vision
WeMM-Embedding: WeChat Multi-Modal Embedding Technical Report
- 텍스트·이미지·영상·문서·섞인 입력을 한 모델로 임베딩하고, 출력 차원도 64~2048까지 자유롭게 뽑을 수 있다.
- 9B 모델이 MMEB-v2 종합 80.6점으로 오픈소스·상용 모델 전체 1위를 기록했다(2026-08-24 기준).
- 2B 소형 모델만으로도 기존 최고 성능 8B 오픈소스 모델을 앞질러 효율성을 입증했다.
- 위챗 채널·공식계정·모멘트·커머스 검색·추천에 실배치되고 14건 A/B 테스트에서 일관된 향상을 냈다.
- 256차원으로 축소해도 2,048차원 대비 98.7% 성능을 유지해 저장·속도 부담을 크게 줄였다.
- 1014Robotics
GaussianWAM: Distilling Geometry and Semantics from 3D Gaussian Fields into World-Action Models
- 미래 영상 예측만 하던 WAM 표현에 3D 가우시안 장을 매개로 깊이·의미·커버리지 감독을 공간적으로 정렬해 넣었다.
- 학습에만 쓰는 교사라 추론 파이프라인과 계산 비용이 그대로여서 실서비스 부담 없이 쓸 수 있다.
- LIBERO-Plus에서 FastWAM 52.05%→71.29%, Cosmos Policy 71.52%→77.30%로 올렸다.
- 교사 신호를 가우시안 장으로 통합한 게 효과가 있었다. 그냥 직접 증류(69.37%)보다 1.9점 더 높았다.
- 실제 양팔 로봇(UR7e 두 대) 실험에서도 평균 성공률을 30.00%에서 40.00%로 올렸다.
- 1013AI / General
Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses
- 검증된 현재 과제 상태를 작업 기억에 유지하고, 그 상태를 기준으로 경험 기억에서 필요한 스킬을 찾게 해 긴 대화 기록의 잡음을 줄였다.
- 실행 흔적으로 실패 위치를 기억 구성 요소까지 좁힌 뒤 해당 부분만 고치고, 검증을 통과한 수정만 반영하는 재귀 개선 고리를 만들었다.
- 네 장기 과제와 열 개 모델의 완료된 37개 조합 중 35개가 향상됐고, 최고 성능 모델도 15~18점가량 올라 최대 성공률 87.9%에 도달했다.
- 과제가 길수록 이득이 커져 가장 긴 구간에서 32.2점 향상됐고, 대표적인 장기 과제 실패 유형은 최대 80% 이상 줄었다.
- 다만 실패 위치 표시는 엄밀한 인과 판정이 아니라 가장 고치기 좋은 부분을 고르는 결정이며, 일부 검사기 구성 요소는 효과가 없던 과제 때문에 충분히 검증되지 않았다.
- 1012Machine Learning
Effective Learning Rate Governs Loss Dynamics in Language Model Pretraining
- 학습률과 파라미터 크기를 각각 튜닝할 게 아니라, 비율인 ELR 시간표를 먼저 설계하라는 새 관점을 제시했다.
- ELR만 맞추면 옵티마이저·아키텍처·데이터·모델 크기가 달라도 손실 곡선이 거의 일치했다(평균 오차 10^-3 수준).
- 웨이트 데케이와 하이퍼볼(파라미터를 정해진 크기로 묶는 기법)의 손실 영향도 각각 만드는 ELR 시간표로 설명됐다.
- ELR 기반 스케일링 로우는 크기 제어 방식이 달라도 예측이 통했다. 학습률 기반으로 두면 예측 오차가 12.9배 커졌다.
- 이 법칙이 정확히 성립하는 조건(정규화 설계, 변화 속도)도 조건별 실험으로 짚어냈다.
- 1011Robotics
Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning
- WorldEcho는 시연 행동에 더해 다른 상태 재생, 국소 변형, 정책 롤아웃, 실행 가능 공간 표집이라는 네 가지 비전문가 행동 질의로 세계 모델을 찔러 본다.
- WorldSync는 행동 결과의 분포를 넓히고, Action-Forcing Expert로 중간 영상 표현을 로봇 움직임에 붙들어 매고, 행동을 바꿨을 때의 변화가 실제 미래의 변화와 맞도록 정렬한다.
- RoboTwin 50개 과제에서 WorldSync는 시각 무결성을 반영한 오차 0.0661로 가장 낮았고 영상 통과율 84.51%로 가장 높았다.
- 이 모델을 학습된 시뮬레이터로 써서 정책을 두 번 개선하자 시뮬레이션 성공률이 51~52%에서 65%로, 실제 로봇 컵 쌓기는 48%에서 68%로 올라 비교 대상 CtrlWorld보다 각각 8~9점과 12점 앞섰다.
- 다만 개별 지표를 따로 보면 우위가 고르지 않아 원시 NDTW는 Cosmos-Predict2.5가 0.013으로 더 좋았고, 저자들도 긴 시간에 걸친 상호작용과 여러 로봇 몸체까지 넓히는 일은 아직 과제로 남는다고 밝혔다.
- 1010Computer Vision
Game2World Engine: Unlocking In-the-Wild Gameplay Videos for World Model Training
- 실제 게임 영상에서 인터페이스 조각을 자동으로 뽑아 사람이 확인한 자산 5,132개를 모으고, 이를 깨끗한 영상 위에 시간 흐름이 자연스럽게 다시 얹어 짝지어진 학습 데이터를 합성했다.
- GameCleaner는 멀티모달 언어 모델이 화면 표시를 알아보고 영상 확산 트랜스포머가 가려진 부분을 복원하는 구조라, 지울 영역을 미리 그려주지 않아도 된다.
- 합성 평가에서 AAR 95.36과 배경 보존 99.00을, 실제 게임 영상 평가에서는 참조 이미지를 준 조건으로 AAR 80.05와 배경 보존 99.80을 기록했다.
- 화면 표시를 지운 영상으로 학습하면 VideoReward 종합이 6.83% 올라, 인터넷에 널린 게임 영상을 세계 모델 학습 자료로 재활용할 길이 열린다.
- 다만 저자들은 크고 불투명한 창이나 빠르게 바뀌는 겹침 요소, 장면과 뒤엉킨 표시에서는 복원이 어긋날 수 있고, 후속 실험도 행동 조건 없이 글로 영상을 만드는 대리 실험이었다고 밝혔다.
- 1009Machine Learning
On-policy Distillation with Verifiable Reward
- 표본 토큰 증류의 숨은 보상을 궤적 정답 여부로 다시 쓰고, 맞은 궤적에는 음이 아닌 보상만, 틀린 궤적에는 양이 아닌 보상만 남기는 ReLU 게이트를 적용했다.
- Qwen3-4B 같은 구조 설정에서 여섯 벤치마크 평균이 49.1로 기존 증류의 47.8을 넘었고, AIME24에서는 36.9로 교사 모델의 36.0보다도 높았다.
- 게이트 방향을 반대로 뒤집은 대조 실험은 여섯 벤치마크 모두에서 기본 증류보다 낮아, 부호를 정답에 맞추는 것이 효과의 원인임을 보였다.
- 하이퍼파라미터를 새로 늘리지 않고 GRPO 같은 기존 정책 경사 알고리즘에 그대로 얹을 수 있어, 이미 돌아가는 후학습 파이프라인에 적은 수정으로 넣을 수 있다.
- 다만 학생 모델이 교사를 따라잡지는 못해 다른 구조 설정에서는 평균 22.8로 교사의 30.9에 크게 못 미쳤고, 실험도 Qwen3 계열 수학 추론 벤치마크에 한정됐다.
- 1008Robotics
Latent Action as Intention Enables Efficient Future Imagination for World Action Models
- SAM 2가 자동으로 만든 마스크로 손과 조작기 주변을 강조하도록 학습시킨 이산 잠재 행동 토크나이저가 영상의 변화를 압축해 미래 의도를 만든다.
- 학습할 때는 영상과 잠재 행동과 행동 전문가를 함께 학습시키되, 추론할 때는 미래 영상 가지를 빼고 잠재 의도와 행동 묶음만 함께 잡음 제거한다.
- RoboCasa 평균 성공률이 소량 데이터에서 65.6%, 전체 데이터에서 80.8%로 같은 조건의 Fast-WAM보다 9.6점과 4.5점 높았고, LIBERO-Plus에서는 추가 학습 없이 74.4%를 기록해 Joint-WAM보다 4.0점 높았다.
- 행동 묶음 하나당 338.5ms로 Joint-WAM의 593.1ms보다 42.9% 빨라, 지연이 곧 실패로 이어지는 실제 로봇 제어에 쓰기 유리하다.
- 다만 속도만 보면 미래 상상을 아예 버린 Fast-WAM의 196.5ms보다 여전히 느리고, 행동 정보가 없는 1인칭 영상으로 사전학습을 하지 않으면 잠재 행동 방식이 같은 조건의 Joint-WAM보다 오히려 약했다.
- 1007Computer Vision
On-Policy Self-Distillation in Diffusion Models
- 얼어붙은 행동 정책이 궤적과 기준점을 만들고, 보상 기울기로 기준점 주변에 크기를 제한한 긍정 목표와 부정 목표를 세운 뒤, 학습 정책이 이를 끊어낸 지도 신호로 따라 학습한다.
- 목표를 만드는 단계와 그 목표에 실제로 맞춰지는 단계를 갈라놓아, 성능이 안 오를 때 어느 쪽이 문제인지 따로 잴 수 있게 했다.
- 두 백본과 평가기 10개로 이뤄진 보상 일치 조건 20개 가운데 19개에서 보류 세트 최종 점수가 가장 높았다.
- DiffusionNFT 대비 갱신 100회당 GPU 시간이 40%와 63% 줄어, 같은 예산으로 이미지 생성 모델을 사람 선호에 맞추는 후학습을 더 자주 돌릴 수 있다.
- 다만 통제 실험에서 목표를 잘 만들었다고 한 번의 갱신으로 그만큼 얻는 것은 아니어서, HPSv2.1에서는 프롬프트 512개 중 62.3%에서 순서가 뒤집혔다.
- 1006Computer Vision
LAION-BVD: A 10-Million-Hour Open Video Dataset for Multimodal Pre-training
- CommonCrawl 기록에서 유튜브와 비메오와 데일리모션 링크만 걸러 13억 개를 만든 뒤 8,000만 개를 실제로 내려받아 1,000만 영상 시간을 확보했다.
- 이 가운데 영상 240만 개를 뽑아 장면 전환 기준으로 5,500만 개 조각으로 자르고, Qwen3-VL-2B-Instruct로 영상 설명을, Audio Flamingo 3로 소리 설명을 자동으로 붙였다.
- 학습 표본 5,000만 개를 본 시점에서 BVD-V-10M과 BVD-V-50M은 더 촘촘히 걸러진 InternVid-10M-FLT보다 종합 평균이 각각 3.3점과 4.0점 높았다.
- 영상과 소리와 이미지를 한 자리에서 다룰 수 있는 공개 자원이라, 검색이나 표현 학습처럼 임베딩 품질이 중요한 작업에 바로 쓸 만하다.
- 다만 설명문이 모두 작은 모델로 짧게 자동 생성돼 표현이 빈약하고 모델 편향이 섞일 수 있으며, 실제로 ImageNet 분류 점수는 기존 웹 이미지 데이터보다 낮았다.
- 1005AI / General
AutoSaddler: Automatic Harness Optimization with Durable Updates from Agent Execution Traces
- 하네스 최적화를 오프라인 학습 문제로 정식화하고, 실패 신호를 받아 반복적으로 패치한다.
- 얕은 반성이 아니라 깊은 디버깅, 제멋대로 수정이 아니라 구조화된 패치, 일반화 검증이 효과의 핵심이었다.
- GAIA2에서 72.3%를 약 1,000회 과제 실행으로 달성, 약 2,800회를 쓴 경쟁 기법(64.6%)을 능가했다.
- 세 벤치마크 모두 기본 하네스 대비 +9.0~10.0%p, 최강 자동 기준선 대비 +4.4~7.4%p 올랐다.
- 정답이 달린 학습용 과제와 성공 실패 신호가 있어야 작동해 실제 현장에 바로 쓰기 어렵고, 적용 범위도 상태가 이어지지 않는 독립 과제로 한정된다는 한계를 저자들이 밝혔다.
- 1004Computer Vision
Mover360: Controllable Object Manipulation in 360° Panoramic Images
- 360도 이미지에서 물체 이동을 중심에 두고 삭제·삽입까지 한 모델로 처리한다.
- 점 클릭 한 번으로 크기·받침·조명을 추론하며, 박스·마스크로 정밀 제어도 가능하다.
- UE5 파이프라인으로 12,150쌍(에포크당 60,750쌍)의 학습 데이터와 210+50 벤치마크를 만들었다.
- 합성·실제 두 도메인에서 원근 편집·삽입·인페인팅 강자들을 재현 충실도·의미 일관성 모두 앞섰다.
- 다만 지시문이 세 가지 작업으로 고정돼 있어서, 물체 속성을 바꾸거나 복잡한 관계를 말로 지정하는 편집은 아직 되지 않는다.
- 1003Robotics
Act with Intent: Distilling Behavior Intent for Vision-Language-Action Models
- 행동 복제에 그치지 않고 행동의 국소 목적(의도)을 명시적 감독 신호로 증류했다.
- 교사 추론과 목표 생성은 오프라인에서 한 번만 하고 배포 때는 교사 쪽 모듈을 전부 떼어내, 기존 VLA에 얹어도 실행 부담은 디코더 표현이 늘어난 만큼에 그친다.
- SimplerEnv-Bridge에서 GR00T-N1.7 64.3%→84.7%(+20.4%p), RoboCasa 64.1%→70.3%를 달성했다.
- 실기 과제 평균 62.0%→68.7%, 긴 과제에서 최대 +12%p 향상됐다.
- 다만 의도의 의미가 교사 VLM이 아는 범위에 갇혀서, 신체 경험이 없는 교사를 쓰면 목표에 방향성이 거의 사라지고 성능이 행동만 따라 배우는 기준선보다도 떨어졌다.
- 1002Research
The Cartan determinant conjecture for representation-finite algebras
- 표현유한 대수가 유한 전역차원을 가지면 카르탕 행렬식이 정확히 1임을 증명했다.
- 표준성 정리와 메쉬 범주의 경로 길이 등급을 잇는 간결한 논증으로 기존 결과들을 결합했다.
- End(M) 형태의 확장 정리(Theorem B)도 같은 논증으로 얻었다.
- 논문의 Use of AI 절에 증명 발견과 초안 작성에 AI가 관여했음을 명시했다.
- 저자는 이 증명이 표현유한 대수의 구조 이론에 기대고 있으며, 그 이론을 쓰지 않는 증명이 있는지는 자신도 모른다고 적었다.
- 1001Computer Vision
Thinking Beyond Videos: Unifying Video Reasoning and Deep Research for Open-World Video Agents
- 영상 크롭(구간 확대)·이미지 검색·텍스트 검색·웹 열람을 하나의 탐색 루프로 통합했다.
- 뉴스나 시연, 다큐멘터리, 강의처럼 영상 속 단서를 영상 밖 지식과 이어야 하는 상황에서, 작은 모델도 모자란 지식을 검색으로 메워 답할 수 있게 된다.
- 26K 검증 SFT 트레젝토리 + 3K 강화학습 인스턴스를 뽑아내는 자동 데이터 파이프라인을 구축했다.
- VideoRover-8B-RL은 VideoDR 56.0%로 도구 없는 GPT-5(57.0%)와 대등했다.
- 다만 외부 검색 도구를 모두 빼면 VideoDR 정확도가 56.0%에서 13.0%로 무너져, 성능이 실시간 웹 검색에 크게 기대고 있음을 보여준다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기