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.
- 1000Machine Learning
How to Train a Critic Stably and Efficiently
- 크리틱 불안정의 원인(무한정 값 예측, 배치 단위 정규화 등)을 통제 실험으로 하나씩 분리했다.
- DPPO+보상 범위 제한+몬테카를로 타깃+비정규화 어드밴티지를 결합한 BPCO 레시피를 제안했다.
- 프롬프트당 응답 1개만 샘플링해도 그룹 기반(GRPO) 기준선과 동등 이상을 달성했다.
- 크리틱은 훈련에서만 쓰이므로 정답이나 채점 루브릭처럼 정책에 감춰야 할 정보를 크리틱에만 넣을 수 있고, 덕분에 루브릭으로 보상을 주는 과제까지 강화학습을 넓힐 수 있다.
- 다만 근거가 수학과 루브릭 보상에 한정되고, 보상 범위를 미리 알아야 하며, 크리틱 훈련이 더 쓰는 연산과 메모리는 비교에 반영되지 않았다고 논문은 밝힌다.
- 999Robotics
UniMem: Unifying Multimodal Memory and Control for Vision-Language-Action Models
- 사건 분류기가 백본 잠재공간에서 과제 핵심 순간을 감지해 텍스트·핵심프레임 기억을 갱신한다.
- 기억 관리용 VLM을 따로 두지 않고 기억과 저수준 제어를 한 백본(π0.5)에 통합했다.
- 핵심프레임 캐싱으로 프레임당 약 90ms의 단일 프레임 수준 속도를 지켜 계층형 기억 방식보다 6배 빠르고, 표준 워크스테이션 GPU에서 카메라 4대짜리 양팔 설정까지 속도 손해 없이 늘릴 수 있다.
- 시뮬레이션 5과제 평균 93.4%(고정 간격 프레임 기준선 68.2%), 실기 4과제 평균 80.0%(계층형 MemER 43.5%)를 기록했다.
- 다만 훈련 때의 연산 한계로 과거 이정표를 세 개까지만 담고, 이 한도를 넘으면 가장 오래된 프레임을 버린다.
- 998AI / General
Agent-G$^2$: Gaussian Guidance for Agentic Reinforcement Learning
- 유용한 힌트 깊이가 한 점이 아니라 가우시안형 '띠'를 이룬다는 사실을 진단 실험으로 보였다.
- 작업 군집별 가우시안(중심+폭)을 기존 롤아웃 통계만으로 온라인 추정해, 추가 롤아웃 없이 깊이를 뽑는다.
- ALFWorld에서 95.3%(1.5B)/98.4%(7B)로 최강 힌트 기반 기준선을 1.5~2.3점 앞질렀다.
- WebShop에서 보상 92.3점을 냈고, 이런 결과를 작업별 탐색이 쓰는 롤아웃의 3분의 1도 안 되는 비용으로 얻어 기존 강화학습 파이프라인에 별도 탐색 없이 얹을 수 있다.
- 다만 학습 과제마다 전문가 궤적이 하나씩 있어야 해서, 그런 시연을 구하기 어렵거나 비용이 큰 환경에는 그대로 적용할 수 없다고 논문은 한계를 밝힌다.
- 997Computer Vision
FixAnything: 3D-Consistent Rendering Refinement via Video Generative Priors
- 3DGS·NeRF·메쉬·포인트클라우드 4종 표현의 렌더링 결함을 한 모델로 정화하는 범용 프레임을 제안했다.
- 다만 입력 시점에 보이지 않던 영역은 모델이 새로 지어내야 해서, 논문의 불확실성 분석에서도 확신이 높은 픽셀 25%는 PSNR 25.7dB, 확신이 낮은 25%는 14.4dB로 품질이 크게 갈렸다.
- 깨끗한 픽셀을 가리는 마스크 조건으로 신뢰할 프레임과 고칠 프레임을 구분해 환각을 막았다(마스크 제거 시 -1.3dB).
- 카메라 포즈 복원 정확도를 보상으로 Flow-DPO를 적용, 3D 일관성(AUC@5°)을 7.2% 올렸다.
- 전문가 파이프라인과 동등 이상 품질이면서, 더 강한 영상 모델이 나오면 갈아끼우기만 하면 되는 구조다.
- 996AI / General
SRPO: Self-Reflective Policy Optimization for Long-Horizon Reasoning
- 완주한 트레젝토리에서 스스로 반성 요약을 뽑아, 이를 조건으로 한 밀집 토큰급 훈련 신호를 만들었다.
- 더 큰 교사 모델이나 외부 크리틱, 별도 보상 모델 없이 모델 자신만으로 돌아가서, 상위 모델을 쓰기 어려운 곳에서도 후속 학습을 적용할 수 있다.
- Qwen3-8B로 AIME'24 73.3%를 달성했고, 확장 SFT 대비 8%(0.08배) 연산만 썼다.
- WebShop 64.7%, ALFWorld 76.8%, SWE-Bench-Lite 31.2%로 긴 과제 성공률도 크게 올렸다.
- 다만 반성이 늘 통하지는 않아서, 실패한 반성의 42%는 두루뭉술한 조언, 35%는 원인 오진, 23%는 모델이 애초에 갖고 있지 않은 지식이 필요한 문제였다.
- 995Computer Vision
GeoWAM: Visual Geometry World Action Models for Autonomous Driving
- 미래 관측(픽셀) 대신 미래 장면 기하(포인트 맵)를 예측하는 세계모델 사전학습을 제안했다.
- 다만 이 이점이 모든 구간에서 성립하지는 않아서, 1초 앞을 볼 때는 영상 기반 Epona+DVGT가 임계 정확도에서 더 높았다고 논문은 적는다.
- 미래 기하 예측에서 평균 AbsRel 0.274→0.257, δ<1.25 0.655→0.754로 최강 기준선을 넘었다.
- NAVSIM v2 닫힌루프 평가에서 비교 방법 중 최고 EPDMS를 달성했다.
- 미래 영상을 따로 만들어 낼 필요가 없어서, 영상 생성 단계를 거치지 않고 예측한 기하 지식을 바로 주행 계획으로 넘긴다.
- 994AI / General
ReWorld: An Interactive World Model with Long-Horizon Memory
- 제어는 짧은 어텐션 창, 기억은 긴 창에서 배우도록 헤드별 창 크기를 섞고 매 스텝 무작위로 배정했다.
- 추론 시엔 전체 과거를 버리고, 카메라 자세로 검색한 랜드마크 뱅크로 고정 KV 캐시를 채운다.
- 샘플링을 네 단계로 줄인 LoRA 증류 덕분에 백본 하나가 고화질 다단계 모드와 실시간 대화형 모드를 함께 맡아 704x1280 영상을 실시간으로 내보낸다.
- 제어 정확도(회전 오차 11.95도)와 화질 모두 6개 최근 인터랙티브 세계모델 중 최고를 기록했다.
- 다만 기억을 카메라 자세만으로 찾기 때문에, 움직이는 장면이나 이동이 아닌 상호작용까지 기억을 넓히는 일은 논문이 다음 과제로 남겨 두었다.
- 993Computer Vision
EchoWM: Open and Enterable Omnimodal World Models
- 영상·환경음·배경음악·음성을 한 모델이 동시에 생성하는 옴니모달 세계모델이다.
- 이산 명령과 연속 자세를 공통 6-DoF 궤적으로 통일해 1인칭/3인칭을 별도 컨트롤러 없이 다룬다.
- AV 사전학습→제어 학습→통합 파인튜닝→자기회귀 후속학습 4단계로 품질-제어 충돌을 풀었다.
- 공개 벤치마크 WBench Navigation 1위, SANA-WM-Bench에서도 최상위 품질을 기록했다.
- 다만 지속적인 3차원 기억이 없어서, 여러 번 이어서 생성하면 장면 구조와 인물, 소리가 조금씩 어긋날 수 있다.
- 992LLMs / NLP
SWE Refactor Bench: Can Coding Agents Complete a Long-Horizon, Whole-Repository Stack Migration?
- 행동 테스트만으로는 원본 구현을 그대로 둔 제출물을 걸러내지 못하므로, 저장소 전체 스택 교체를 에이전트에 맡길 때는 교체가 실제로 일어났는지 따로 확인해야 한다.
- 언어·프레임워크·플랫폼·빌드 도구 4종 기술부채 20개 실제 오픈소스 저장소 과제를 만들었다.
- 마이그레이션 감사와 고정 행동 테스트 130,118개, 코딩 에이전트 6개의 대항 검증으로 3단계 채점하지만, 반례가 안 나온 것은 동작이 같다는 증명이 아니라 이 벤치마크가 줄 수 있는 가장 강한 증거일 뿐이라고 논문은 선을 긋는다.
- 520회 실행 중 전 단계 통과는 5.4%(28회)뿐이었고 20개 과제 중 13개는 아무 모델도 못 풀었다.
- 빌드 도구 갈아끼우기(31.4점)는 그나마 나오고 언어 교체(5.6점)는 거의 실패하는 등 역량 편차가 컸다.
- 991Machine Learning
LpWM: A Case for Sparse Representations in World Models
- 충분히 고차원인 원핫 잠재공간에서는 비선형 역학이 선형으로 근사됨을 이론적으로 보였다.
- RDMReg 규제로 대부분의 좌표가 0이 되는 희소 잠재코드를 학습하는 LpWorldModel을 제안했다.
- PushT 과제에서 희소 표현이 조밀 표현(LeWM)보다 최대 57%p 높은 계획 성공률을 냈다.
- 0이 아닌 좌표의 '위치'는 이산적인 역학 모드를, '크기'는 모드 내 연속 상태를 담는 구조가 저절로 생겼다.
- 다만 희소 표현의 이점은 예측기 용량에 따라 달라져서, 쉬운 Wall 환경이나 표현력이 충분히 큰 예측기에서는 조밀 표현과 차이가 거의 사라졌다.
- 990LLMs / NLP
Beyond the Stability-Exploration Dilemma: Environmental Regularization for LLM Policy Optimization
- 기존 강화학습이 답변 분포만 규제하는 사이 질문 분포는 통제 없이 표류한다는 문제를 정식화했다.
- Query-KL이라는 입력쪽 규제를 추가해, 답변 탐색의 자유는 유지하면서 훈련 환경의 표류를 막았다.
- GRPO·PPO·REINFORCE 파이프라인에 추가 순전파 없이 최소 수정으로 붙일 수 있다.
- 수학 추론 벤치마크 6종에서 표준 Policy-KL 규제를 대체하며 정확도가 일관되게 올랐다.
- 다만 논문은 ERPO도 장기 훈련의 붕괴에서 완전히 자유롭지는 않고, 검증이 수학 추론 벤치마크와 Qwen 계열 모델에 머물러 대화나 코드 생성, 다국어 상황으로의 전이는 아직 확인하지 못했다고 밝힌다.
- 989AI / General
Prime Agent: A Self-Improving RLM Harness
- IPython REPL 세션을 유지하고 실행 이력·기억·스킬·서브에이전트 정의를 하네스에 계속 저장해 경험이 축적되게 했다.
- 서브에이전트가 재귀적으로 하위 에이전트를 띄우고 서로 직접 통신하는 구조를 제안했다.
- ARC-AGI-3 RHAE 벤치마크에서 Best@1을 30%에서 95.5%로 끌어올렸다.
- GPU 커널 생성과 에뮬레이터 구현에서는 기존 하네스와 대등하거나 앞섰고, 85.5시간 이어진 나노GPT 속도개선 실행에서는 검증된 기록 19개를 냈다.
- 안티치트 감시가 있는데도 RCON 명령으로 자원을 직접 만들어 내는 편법이 하나의 '스킬'로 보존되는 자기개선의 안전 실패 사례도 함께 보고했다.
- 988AI / General
Apodex 1.1: Scaling Agentic Intelligence for Complex Work
- 파일·검색·코드 등 다양한 검증 가능한 작업 환경을 활용해 모델의 '일하는 능력'을 훈련시켰다.
- 문제를 쪼개고→위임하고→비동기 결과를 합치고→다시 계획하는 멀티에이전트 조율을 별도의 훈련 축으로 다뤘다.
- 금융 실무 FrontierFinance 54.3점, 과학 연구 FrontierScience-Research 63.3점, 업무 산출물 GDPVal 78.8점을 기록해 논문이 말한 선두 성능 구간에 들었다.
- 반면 자체 벤치마크 FrontierResearchBench의 고난도 과학 워크플로에서는 통과율이 12.4%에 그쳐 앞선 시스템들에 뒤졌고, 논문도 이런 작업을 끝까지 해내는 일은 평가한 모든 시스템에 여전히 어렵다고 적었다.
- 35B 파라미터 Mini 버전이 로컬에 올릴 수 있는 형태로도 실무 수행 능력을 상당 부분 지켜, 작은 규모로 현장에 배포할 길을 열었다.
- 987Machine Learning
Rethinking Expressivity and Efficiency in Test-Time Training
- 토큰별 학습률과 모멘텀, 감쇠를 살리면서 청크 병렬 학습이 가능한 닫힌 형태의 상태 전이식을 유도했다.
- 학습 때보다 여덟 배 긴 입력의 바늘 찾기 시험에서도 90%가 넘는 정확도를 유지해 긴 문맥 외삽 성능을 보였다.
- LongBench 14개 과제 평균에서 Mamba2와 LaCT 같은 이차 미만 계산량 구조보다 높은 성능을 기록했다.
- Qwen3VL-2B에 병렬 분기로 붙였을 때 TTT 부분만 학습해도 전체 미세조정과 비슷한 영상 이해 성능을 냈다.
- 청크 안에서는 하나의 빠른 가중치를 공유해 세밀한 인과 관계를 놓치는 구간이 남고, 실험 규모도 최대 13억 매개변수라 더 큰 모델 검증이 필요하다.
- 986Distributed Systems
HIERA: Workload-Aware Planning Across Implementation Spaces for GPU Kernel Optimization
- 파이토치 연산자와 CUDA 라이브러리, 직접 작성한 CUDA 가운데 구현 공간을 먼저 고르는 계층적 계획을 도입했다.
- 과제 계약서와 프로파일링 피드백, 전문가 지식으로 선택한 공간 안에서 반복 개선해 적은 후보 예산에서도 실행 가능한 코드를 찾았다.
- 세 기반 모델과 세 난이도의 27개 비교 중 22개에서 최고 또는 공동 최고였고, 후보 한 개 조건의 유효 구현 비율은 71.6%였다.
- 과학 계산 스텐실 사례에서는 다섯 번의 반복으로 cuDNN보다 1.53배 빠른 커널을 찾아 표준 학습 연산 밖의 적용 가능성을 보였다.
- 평가는 NVIDIA A100과 제한된 정밀도 설정에 집중됐고 스텐실 검증도 연산자 한 개와 설정 한 개뿐이라 다른 장치와 과학 연산으로의 일반화는 확인되지 않았다.
- 985Computer Vision
OmniAssistBench: Assistant-style Interaction Benchmark for Omni-LLMs
- 모델 답변에 따라 사용자 행동이 갈라지는 문제를 줄이기 위해 원본 영상에서 상호작용 경로를 미리 정하고 그 경로를 따라 평가하게 했다.
- 인터넷 영상을 역설계하고 전문가 작업 1000시간 이상을 들여 일곱 과제와 열여섯 세부 과제, 세 가지 실사 사례를 구축했다.
- 최고 모델 Gemini-3-Pro는 100점 만점에 66.4점, 공개 모델 Qwen3-Omni-Instruct는 51.2점에 그쳤다.
- 손동작 지시 이해와 장기 기억, 목표 사건까지 답변을 미루는 능력, 여러 대화 차례의 목표 유지가 공통 병목으로 드러났다.
- 정적 평가를 가능하게 하려고 상호작용 경로를 미리 고정했으므로, 실제 사용자와 모델이 자유롭게 선택하며 갈라지는 모든 대화 경로를 재현하지는 못한다.
- 984Machine Learning
Scaling Muon for Diffusion Transformers
- 13억~150억 매개변수의 확산 트랜스포머에서 Muon이 AdamW보다 생성 품질 지표를 12.9~19.1% 개선하는 경향을 확인했다.
- 세 단계마다만 전체 스펙트럼 갱신을 하고 나머지는 저비용 행 단위 갱신으로 바꾸는 Periodic Row-wise Muon을 제안했다.
- 옵티마이저 시간은 46.9~54.3%, 전체 학습 단계 시간은 15.7~24.3%, 논리적 통신량은 66.7% 줄었다.
- 90억 매개변수 모델에서는 원래 Muon보다 생성 품질이 4.5% 더 좋아져 비용 절감과 품질 향상을 함께 보였다.
- 실험은 한 확산 모델 계열과 한 데이터셋·해상도, 32노드 H100 구성에 한정됐고 갱신 단계의 전체 모멘텀 통신은 여전히 남는다.
- 983Computer Vision
WA-JEPA: Rethinking the Video JEPA Paradigm for World-Action Modeling in Autonomous Driving
- 무작위 가림 복원을 미래 구간 가림 사전학습으로 바꿔 영상 표현 학습 목표를 자율주행 계획의 시간 방향과 맞췄다.
- 결정론적 회귀 대신 흐름 맞추기로 여러 가능한 미래 표현을 만들고, 장면과 차량 궤적을 하나의 예측기에서 함께 학습했다.
- NAVSIM-v2에서 91.7 EPDMS로 강한 종단간·세계행동 기준보다 1.6점과 1.3점 높았고, HUGSIM 폐쇄형 평가에서도 0.4462로 가장 높았다.
- 언어 추론을 거치지 않고 시각적 미래 예측이 행동 학습을 직접 돕는다는 점에서 자율주행 계획의 다른 설계 방향을 보여준다.
- 검증은 nuPlan 사전학습과 NAVSIM·HUGSIM 벤치마크에 집중돼 있어 실제 차량과 드문 위험 상황에서의 안전한 일반화는 추가 확인이 필요하다.
- 982Information Retrieval
Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence
- '개별 지능의 한계 → 시스템 지능'이라는 관점으로 프롬프트·컨텍스트·하네스·루프 엔지니어링의 다음 단계를 제시했다.
- 작업 조직(뭘 할지)·에이전트 조율(누가 할지)·런타임 상태 관리(어떻게 굴러가는지)·시스템 진화의 네 축으로 그래프 기반 설계를 정리했다.
- 실패 국소화와 복구, 실행 이력 기반 구조 개선 같은 장기 실행 시스템의 실무 문제를 그래프 상태 관리로 접근하는 틀을 줬다.
- 과학 발견·랩 자동화 응용을 별도 장에서 다뤄 자율랩 에이전트 설계에 직접 참고할 수 있다.
- 관련 논문·데이터·프로젝트 목록을 GitHub에 공개해 실무 참고 자료로 쓸 수 있다.
- 981Robotics
Beyond Imitation: Self-Improving Robot Policies via Off-Policy Q-Planning
- 거대 로봇 정책(수십억 파라미터)은 얼려두고 약 10억 파라미터 Q함수만 갱신하니, 자기개선 비용이 정책 크기가 아니라 평가기 크기에 비례하게 만들었다.
- Q함수는 성공·실패 굴리기를 모두 흡수할 수 있어, 성공 데이터만 재학습하는 SFT가 55%/30%에서 멈춘 실물 과업을 90%/80%까지 끌어올렸다.
- 추론 시 정책이 뽑은 64개 후보 행동을 Q점수로 가중 평균하는 한 번의 계획 단계(400ms)로 처리해 실시간 제어 예산 안에 들어왔다.
- 동일한 온라인 예산에서 Best-of-N·필터 SFT·IBRL·DSRL·DAWR 대비 유일하게 실패로부터 안정적으로 성능이 오르는 방법이었다.
- 기본 정책이 아예 성공 후보를 만들어내지 못하는 과업은 여전히 못 풀고, 에피소드별 성공 판정기가 필요하다는 한계도 분명히 밝혔다.
- 980AI / General
Can Agent Memory Systems Track Evolving State?
- '상태 드리프트'를 정의했다. 필요한 사실이 검색 결과에 있어도 에이전트가 옛값이나 폐기된 값으로 답하는 실패로, 완벽한 검색 조건에서도 남는다는 점을 보여 '잘 찾기'와 별개의 문제임을 증명했다.
- 234개 다중 세션 시나리오의 StateMemBench를 만들고, 닫힌 보기 채점으로 '현재 상태/옛 상태/기타 실패'를 구분해 상태 추적 실패만 깨끗하게 분리했다.
- StateMem은 값 대체와 의존 관계(파생 값 재계산)를 명시 추적하는데, DeepSeek-V4-Flash에서 최강 동일백본 대비 1.8배(0.205에서 0.363), Qwen-3.5-9B에서 기존 최강 기억 시스템 대비 1.6배(0.149에서 0.233) 현재 상태 정확도를 올렸다.
- 기존 기억 시스템에 씌우는 한 번 호출 래퍼로도 6개 백엔드 모두 +32~+67점 상승했고, 길이·비용을 맞춘 대조군 비교로 이 중 +15~+32점은 '상태 구조' 자체의 효과임을 분리해냈다.
- 기존 벤치마크(LongMemEval 등)의 실패 분포에서도 상태 드리프트가 앞자리를 차지하는 것을 판정자 라벨링으로 확인했다.
- 979LLMs / NLP
Projector Is All You Train
- 3D MLLM에서 인코더와 언어모델 백본을 모두 얼리고 프로젝터(3층 MLP)만 학습해도, 3D 분류·캡셔닝에서 기존 baseline들과 동급 성능을 냈다.
- 동일한 16 GPU시간(A100 1장) 예산에서 프로젝터 단독 학습이 백본 LoRA 동시 학습과 성능이 비슷하면서, 학습 샘플 처리량은 약 2배였다.
- 백본을 함께 학습하면 기존 능력이 심하게 무너졌다(Llama 백본 GSM8K 86.96에서 0.61, HumanEval 64.02에서 0.00). 프로젝터만 학습하면 백본을 건드리지 않아 이런 퇴행이 원천적으로 없다.
- 백본 동시 학습 후 일부 비전 점수가 오른 것처럼 보였지만, 이는 객관식 채점 방식(보기 확률 재정규화) 때문이고 실제로는 지시 이행 실패가 늘었다고 분석했다.
- 하나의 언어모델 백본에 모달리티별 프로젝터를 독립적으로 붙여 학습하는, 모듈러 멀티모달 구성을 미래 방향으로 제안했다.
- 978LLMs / NLP
Task-CoEvolve: Efficient Harness Optimization via Adaptive Validation Task Selection
- 기존 하니스 최적화는 매 반복마다 검증 태스크 전체를 다 평가해 비용이 컸는데, 검증 태스크 선택 자체를 하니스와 함께 진화시키는 문제를 처음 정식화했다.
- 후보 하니스들 간 성패가 엇갈리는 태스크(성공률 분산이 큰 태스크)가 후보를 가리는 데 가장 유익하다는 관찰로, 분산 가중 샘플링을 통해 에이전트 능력 경계 근처에 평가를 집중했다.
- 샘플링 확률을 보정해 부분 평가에서 전체 점수를 추정하므로, 매번 다른 부분집합을 평가해도 반복 사이 비교가 공정하다.
- Terminal-Bench 2.1에서 전체 탐색과 비슷한 최종 성능을 평가 예산 20%로 달성해, 토큰 사용량(예: 741M에서 246M)과 탐색 시간(38.0시간에서 20.5시간)을 크게 줄였다.
- 같은 20% 예산에서 무작위 샘플링보다 최종 성능이 3.3점 높아, '무엇을 평가하느냐'가 효율을 좌우한다는 점을 확인했다.
- 977AI / General
Learning When to Think: Adaptive Reasoning for Test-Time Compute Allocation
- 모델이 답의 첫 토큰으로 NoThink/Short/Long 세 모드를 직접 고르고, 이 라우팅이 강화학습(GRPO) 안에서 별도 라우터 없이 끝까지 함께 학습된다.
- 모드별 토큰 상한(1,024/3,000/무제한)과 모드 균형 보상을 함께 써서, 한 모드가 나머지를 몰아내는 '라우팅 붕괴'를 막았다.
- 짧은 모드의 정확도가 Long보다 높게 나오는 것을 보여, 라우터가 문제를 난이도순으로 제대로 배분하고 있음을 증명했다.
- MATH500에서 정확도 0.782(기존 0.796)를 유지하면서 평균 응답 길이를 4,796에서 2,811 토큰으로 41% 줄였다.
- 재학습 없이 GSM8K에서는 토큰 76%를 절약했고, 어려운 AIME에서는 예산을 줄이지 않고 동등 정확도를 유지해 난이도별 배분이 제대로 작동함을 보였다.
- 976AI / General
MidTool: Mid-training Data Synthesis for Agentic Tool Use
- 웹·PDF·코드·실제 API/MCP 스킬을 결합한 203억 토큰 규모의 도구 사용 전용 미드트레이닝 코퍼스 MidTool-Mix와 그 구축 파이프라인을 오픈소스로 공개했다.
- 문서 기반 '그라운딩' 합성과 실제 도구 실행 기반 '실행' 합성이 각자 다른 역할을 하며, 둘 다 있어야 여덟 지표 전부에서 향상이 났다.
- 4B와 8B 모두 BFCL, tau2-Bench, MCP Universe 세 벤치마크에서 SFT·RL 어느 후속 훈련 아래에서도 일관된 이득을 보였다.
- 미드트레이닝된 4B·8B 모델은 MCP-Universe에서 공식 Qwen3 모델을 능가해, 모델을 키우는 것보다 전용 미드트레이닝이 효과적임을 보였다.
- 실행 궤적 합성 단독은 BFCLv3에서 +7.9로 가장 큰 폭이 오르고, 그라운딩 합성은 tau2-Bench·MCP-Universe 같은 낯선 환경 이전에 더 강했다.
- 975Research
The Memory Hidden in Response Fluctuations: Trajectory-Level Fluctuation-Response Theory and Inequalities for Non-Markovian Jump Dynamics
- 발생률이 과거 이력에 의존하는 비마르코프 점프 과정에서 각 사건을 예측 가능한 경향과 예측 불가능한 마르팡게르 증분으로 정확히 나눴다.
- 마르팡게르 증분이 모든 궤적 관측량 요동의 완전한 직교 기저가 되고, 각 계수가 이력에 따른 반응 강도와 일치함을 증명했다.
- 이력 평균 뒤에 남는 음이 아닌 반응 이질성 차이로 제안한 기억 좌표가 반응을 충분히 설명하는지 검사할 수 있게 했다.
- BK 이온채널 자료에서 체류시간 상관으로 본 기억과 반응으로 본 기억의 순서가 반대일 수 있어 상관만으로 중요한 기억을 정할 수 없음을 보였다.
- 실험 적용은 개입이 아닌 관찰 비교와 임계값 처리된 유한 길이 사건열에 의존해 숨은 변수와 누락 사건의 영향을 받을 수 있고, 폭발적 동역학은 이론 범위 밖이다.
- 974Machine Learning
Q-Learning With World Models
- 세계 모델을 훈련 데이터원으로 쓰지 않고 오직 행동 선택 시점의 트리 탐색에만 써서, 상상 궤적의 편향 누적 없이 샘플 효율 이득을 얻었다.
- 정책과 Q함수는 실제 환경 데이터로만 학습하므로 세계 모델의 오차가 학습 과정에 스며들지 않는다.
- 로봇 조작 벤치마크 Robomimic과 LIBERO에서 강력한 선행 방법들을 샘플 효율과 최종 성능 모두에서 유의미하게 앞질렀다.
- 탐색을 학습 데이터 수집과 평가 양쪽에 모두 적용할 때 가장 일관된 향상을 보였고, 깊이 2의 얕은 탐색과 짧은 미래 가중치(람다=0.2)가 최적이었다.
- 이미지 관측(픽셀 기반) 설정에서도 기본 알고리즘 대비 전반적으로 빠른 학습과 높은 성공률을 보였다.
- 973AI / General
Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation
- 값비싼 가치 평가기를 언제 호출할지 결정하는 모델 라우팅 문제를 경제학의 판도라 상자 문제로 정식화했다.
- 가우시안 신호 가정 아래 정보 가치와 예약가격을 닫힌 형태로 계산해 중앙집중형 판도라 라우터를 만들었다.
- 판도라 라우터는 전수 평가와 비슷한 배정 품질을 유지하면서 비싼 평가기 호출을 훨씬 적게 사용했다.
- 다중 언어모델, 검색 증강 전문가, 추론 시간을 조절하는 수학 모델의 세 영역에서 중앙집중형과 경매형 배정을 검증했다.
- 가우시안 가정과 두 단계 평가기에 한정되며, 분산형 경매에서는 상대의 평가가 부정확할 때 전략적 전문가의 이익이 전체 효율을 해칠 수 있다.
- 972AI / General
AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement
- 훈련 알고리즘 계열 10가지를 담은 연구 저장소 10개를 얼려두고, 에이전트가 4시간 동안 학습 코드를 고치면 처음부터 최대 12시간 재학습해 숨겨진 평가기로 채점하는 벤치마크를 만들었다.
- 6개 시스템 29개 설정의 평균 점수는 0.166, 최고 성능도 0.250으로 원래 알고리즘(0.1)과 최적(1.0) 사이 거리의 다섯 분의 일도 못 메웠다.
- 변경을 가한 263건 중 141건은 학습 절차를 전혀 건드리지 않았고, 건드린 122건은 평균 0.226으로 나머지(0.126)를 크게 앞질렀다.
- 추론 노력을 높이면 알고리즘 계층에 도전하는 비율이 8%에서 64%로, 평균 점수는 0.094에서 0.196으로 올라갔다.
- 과제 모음과 평가기, 모든 채점된 제출물을 공개해 시스템이 변해도 같은 잣대로 다시 측정할 수 있게 했다.
- 971Research
Resolution of Singularities in Positive Characteristic: Frobenius-Hasse Towers and Exceptional-History Descent
- 표시된 Rees 대수를 미분-적분 포화로 바꾸고 총 Hasse 연산자, 계수 큐브, 여과된 Rees 복합체를 세워, 양의 표수에서 수치적 차수만으로는 놓치는 정보를 국소 이론에 담았다.
- 허용 가능한 통상 블로업 아래의 변환은 반선형 Frobenius-Hasse 원천과 유한한 예외 계보로 기록하고, 국소 결함은 여섯 줄 장부를 거쳐 곡면, 토로이달-단항, 이항, 가법형 전용 절차로 보낸 뒤 그 결과를 전역 수준에서 하나의 순서로 이어 붙인다.
- 중심 장치는 소유자, 부모, 몫, 흔적, 재개 정보를 매크로블록 사이로 옮기는 전역 교체 인증서이며, 이를 갖춘 완전 상태에서는 하나의 잘 정렬된 의존 순서에서 다중집합이 엄격히 줄어들어 반복이 끝난다고 주장한다.
- 이로부터 완전체 k 위 매끄러운 유한형 스킴에서 코히런트 아이디얼의 강한 주화(아이디얼을 하나의 원소로 생성되게 만드는 것, Part IX 정리 15.3)와 순서를 가진 단순정규교차 경계를 매 단계 보존하는 해소를 얻는다고 하며, 결과가 표현 방식에 의존하지 않고 재매장과 에탈 당김에 대해 함자적이라고 밝힌다.
- 다만 본문이 아홉 부 798쪽에 이르는 단독 저자 v1 프리프린트이고 arXiv 분류도 일반수학(math.GM)이라, 증명이 실제로 성립하는지는 동료심사와 독립 검증을 거쳐야 판단할 수 있다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기