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. 970Machine Learning

    Let's Scale Step by Step: Compute-Efficient Hyperparameter Transfer for Large-Scale Mixture-of-Experts

    • 1단계로 μP를 MLA 어텐션과 Muon 옵티마이저를 쓰는 MoE에 맞게 정식화했고, 기본 대리 모델(총 0.6B, 활성 0.3B)에서 찾은 최적 학습률이 폭을 2배, 4배, 8배로 키운 모델(총 30.7B, 활성 3.6B까지)에서도 그대로 옮겨감을 보였다.
    • 2단계는 감쇠 구간 없이 안정 구간에서 학습을 끊고 EMA(지수이동평균) 가중치로 여러 체크포인트를 뽑은 뒤, 255B에서 502B 토큰 구간의 최적 학습률을 로그-로그 선형회귀로 맞춰 더 긴 구간으로 늘려 잡는 방식이다.
    • 이 회귀의 적합도는 R²=0.95였고, 10조 토큰 학습에 대한 최적 학습률로 3.85×10⁻⁴을 예측했다.
    • 예측한 학습률로 총 155B, 활성 17B 파운데이션 모델을 10조 토큰까지 처음부터 학습했으며, 목표 학습의 계산량이 대리 실험 전체 합의 약 98배라서 탐색을 생략해 아끼는 비용이 크다.
    • 다만 검증 범위가 MLA와 Muon 조합에 한정되고, 배치 크기는 일부러 다루지 않았으며, 희소성을 폭과 함께 키운 탓에 희소성 축만의 효과는 떼어내지 못했고, 예측 학습률이 정말 최적인지 전면 탐색으로 확인하는 것도 계산상 불가능하다고 저자들이 밝혔다.
  2. 969Research

    Exact Fluctuation-Response Relations for Underdamped Langevin Dynamics

    • 임의의 시간 의존 구동과 일반적인 누적 관측량에 성립하는 저감쇠 랑주뱅 동역학의 정확한 유한시간 변동-응답 등식을 유도했다.
    • Doob 마팅게일로 관측량 분산을 초기 상태가 가진 부분과 이후 잡음이 동적으로 만든 부분으로 정확히 분해했다.
    • 비가역 확률 흐름 방향의 마찰 섭동을 택하면 유한시간에도 포화 가능한 불확실성 관계와 총 엔트로피 생성의 변분 원리를 얻는다.
    • 구동 자유 확산에서는 기존 평균 흐름 기반 인자가 소산과 함께 지수적으로 무너져도 마찰 반응 기반 인자는 보편 하한을 유지했다.
    • 결과는 저감쇠 랑주뱅 과정과 누적 관측량에 대한 이론 분석이므로, 다른 잡음 구조와 비가법 관측량 및 실제 실험 자료에서의 적용성은 별도 검증이 필요하다.
  3. 968Machine Learning

    Harness Continual Learning: Continual Adaptation Beyond Model Parameters

    • 지속학습의 대상을 모델 파라미터에서 하네스(프롬프트·메모리·도구·라우팅)로 옮기는 HCL 패러다임을 정식화했다.
    • '하네스 망각'을 새로 정의하고, 개선·역사 유지·유효성 검사를 통과해야 확정하는 guarded evolution으로 통제했다.
    • 역사 손실 예산을 0으로 잡으면 평균 망각 0.39, 무제한으로 두면 3.45로, 안정-가소성 트레이드오프를 명시적으로 조절할 수 있었다.
    • 텍스트·멀티모달·오픈월드 3개 영역에서 상대 향상 10% 이상, 멀티모달 최고 종합 68.92%를 달성했다.
    • 컴포넌트 제거 실험에서 경험 메모리와 태스크 인터페이스 업데이트가 성능·유지에 가장 크게 기여했다.
  4. 967AI / General

    EnvHarness: Awakening Static Worlds for Agent Learning

    • 환경을 새로 짓지 않고 reset/step 인터페이스에서 감싸서(Stage·Contract·Chain 플러그인) 행동만 바꾸는 EnvHarness 층을 제안했다.
    • 원본 검증기(정답 채점기)를 그대로 물려받아, LLM이 만든 환경의 '정답 신뢰성' 문제를 원천 차단했다.
    • EnvRigger가 정책 실패 궤적을 진단해 약점 겨냥 환경을 자동 합성하고 신규 롤아웃으로 검증하는 자동화 루프를 만들었다.
    • SWE-bench Verified 등 4개 도메인 5개 벤치마크에서 기존 환경 학습 대비 최대 +9.0점, 실행 스텝 9.8% 절감을 달성했다.
    • 정책-환경 공진화 반복으로 환경 300개에서도 47.67→54.79로 계속 올라, 기존 환경 스케일링이 꺾이는 지점을 넘었다.
  5. 966Research

    Self-Normalizing Denominators in Rational Causal Estimation

    • 인과 추정 분모 중 표준화 값이 표본마다 일정한 '자기표준화' 부류를 정의하고, 이런 분모는 약한 식별 1차 극한이 불가능함을 증명했다.
    • 중첩된 공분산 소행렬식의 거듭제곱 곱이 모든 차원에서 이 성질을 가지며 정확한 Wishart 피벗을 허용함을 보였다.
    • 차원 2의 역방향 분류는 완전하고, 차원 3에서는 도구변수·전정문·프록시 공식을 포괄하는 인자-랭크 판별법을 제시했다.
    • 전정문(front-door) 조정은 매개변수 잔차 분산이 사라져도 Wald 추론이 점근적으로 유효함을 증명했다.
    • 실제 의료 데이터(우심도카테터) 감사에서 '낯본 진단'과 '분모 관련 진단'이 다른 결론을 내림을 보여주었다.
  6. 965Computer Vision

    WithEveryone: Unified Planning and Identity Grounding for Group Image Generation

    • 참고 인물 5~10명의 단체사진을 한 번에 생성하는 통합 모델을 만들었다. 기존 공개 기술은 최대 4명이 한계였다.
    • 인물별 위치를 계획하는 Layout CoT와 위치 기반 ID 손실(LG-ID)로, 인원이 늘어나도 얼굴 매칭이 안 무너지게 했다.
    • 대상 얼굴 유사도 0.499로 GPT-Image 2(0.462)를 앞서고, 복붙 아티팩트는 0.169→0.055로 3배 낮췄다.
    • 요청 인물 커버리지 97.3%, 중복 생성률 2.8%로 비교 시스템 중 가장 균형 잡힌 결과를 냈다.
    • 남은 오류의 원인이 이미지 생성이 아니라 '계획' 단계임을 분리 진단해 다음 개선 방향을 제시했다.
  7. 964Robotics

    What Matters for Latent Actions in Robot Learning

    • 잠재 행동 모델(LAM)의 설계 선택 41가지를 3개 시뮬레이션 벤치마크 + 실제 Franka 로봇에서 통일된 조건으로 비교했다.
    • 잠재 행동 차원 32가 단일 팔/양팔 로봇 모두에서 최적이었고, 사전학습 정규화를 제대로 하면 추가 정규화는 불필요했다.
    • VLM 백본을 잠재 행동으로 미리 파인튜닝하자 실제 로봇 4개 작업 성공률이 64.75%→79.25%(+14.5%p) 올랐다.
    • LAM 튜닝 모델은 10k 스텝만에 85% 성공률을 찍어, 베이스라인이 40k 스텝에서 내는 성적(76.25%)을 추월하는 데이터 효율을 보였다.
    • 기존 관행인 MLP 프로브 지표보다 순진한 복원(FDM) 지표가 잠재 행동 품질의 더 믿을 만한 예측자였다.
  8. 963LLMs / NLP

    SWE-bench Science: Can Coding Agents Resolve Engineering Tasks in Science?

    • 화학과 재료, 생물 등 20개 과학 분야의 98개 저장소에서 119개 과제를 구성해 과학 소프트웨어 수리 능력을 평가했다.
    • 최고 에이전트도 한 번 시도 성공률이 47.9%였고 공개 시험 점수 96.6%와 완전 성공률 사이에 큰 차이가 났다.
    • 실패를 과학 지식·추상화 부족, 겉핥기 수리, 통합 불완전, 새 사례 일반화 실패의 네 유형으로 분류했다.
    • 과학 정보를 추가했을 때 GPT-5.6의 성공률이 36.3%에서 31.9%로 떨어진 사례도 있어 지식은 실행 근거와 함께 검증돼야 함을 보였다.
    • 분야별 과제 수가 아직 적고 과학 지식을 실제 수리에 어떻게 쓰는지에 대한 분석도 초기 단계라 분야 간 순위와 일반화 해석에는 주의가 필요하다.
  9. 962Computer Vision

    Swift-Image: Exploring the Performance Frontier of Compact Unified Image Generation Models

    • 텍스트→이미지 생성, 한 장 편집, 여러 장 편집을 하나의 가중치로 처리하는 6B 통합 모델을 만들었다.
    • 프롬프트 개선기(PE)가 요청을 시각 작업 지시로 바꿔주자 지식 집약 벤치마크 점수가 2.49→4.63으로 폭등했다. 복잡한 생성의 병목은 렌더링이 아니라 의도 해석이었다.
    • 구조 프루닝(가지치기)으로 3B로 줄여도 성능이 거의 유지됐고, 소수 스텝 증류 모델(Turbo)은 오히려 종합 편집 점수가 더 높았다(4.20 vs 4.16).
    • 학습에 약 243K GPU시간만 들어, 수백억 파라미터 없이도 튼튼한 성능을 낼 수 있음을 보였다.
    • '학습데이터 분포를 모델 능력에 맞게 진화시키기', '충돌하는 목표는 분리 학습 후 통합' 같은 실전 교훈을 정리했다.
  10. 961Computer Vision

    4DAnyone: Create Anyone in 4D from a Casual Monocular Video

    • 카메라 1대 영상만으로 16개 시점 영상을 일관되게 생성해 4D 휴먼(움직이는 3D 사람)을 복원하는 파이프라인을 만들었다.
    • 참조 화면 압축(RCP)과 시점 그룹 순환(TCR)으로, 시점이 많아져서 생기는 일관성 붕괴 문제를 해결했다.
    • DNA-Rendering·DyMVHumans 벤치마크에서 4D 복원 PSNR 24.15/23.28로 기존 최고 방법(20.55/19.86)을 크게 앞질렀다.
    • 신뢰성 떨어지는 깊이 정보 대신 3D 골격만 조건으로 써서, 카메라 파라미터를 모르는 영상에서도 작동한다.
    • 자체 게임엔진으로 MVGameHuman 학습데이터를 구축해 다양한 야외 영상에서도 견디는 일반화 성능을 확보했다.
  11. 960Agents

    Intelligent AI Delegation

    • 논문은 일을 잘게 쪼개 나눠 주는 작업 분해와 지능형 위임을 구분한다. 지능형 위임은 여기에 더해 권한과 책임을 넘기고, 역할과 경계를 분명히 하며, 의도를 맞추고, 서로 신뢰를 쌓는 절차까지 포함한다.
    • 제안한 틀은 다섯 기둥으로 이뤄진다. 상대의 현재 상태를 계속 살피는 동적 평가, 상황이 바뀌면 계획을 고치는 적응 실행, 과정과 결과를 들여다볼 수 있게 하는 구조적 투명성, 많은 참여자를 값싸게 이어 주는 확장 가능한 시장 조정, 연쇄 실패를 막는 시스템 회복력이다.
    • 핵심 원칙은 contract-first decomposition, 즉 검증할 수 있는 단위로 먼저 쪼개는 것이다. 결과를 확인하기 어렵거나 너무 주관적인 하위 작업은 단위 테스트나 형식 증명처럼 확인 가능한 크기가 될 때까지 더 잘게 나누라고 말한다.
    • 맡길 상대를 고를 때는 누구나 볼 수 있는 평판과 맡기는 쪽이 스스로 정한 신뢰 기준을 나눠서 본다. 권한은 그 일에 꼭 필요한 만큼만 주고 하위 위임에서는 더 좁히며, 진행 상황 감시와 완료 검증, 누가 무엇을 누구에게 맡겼는지 남기는 책임 추적 기록을 함께 둔다.
    • MCP는 권한을 세밀하게 줄이는 장치가 없고, A2A는 완료를 증명해 붙일 자리가 없으며, AP2는 조건부 정산이 빠져 있고, UCP는 상거래에 맞춰져 있어 일반 작업 위임에는 확장이 필요하다고 짚는다. 다만 이 제안을 실제로 만들어 보거나 실험으로 검증한 내용은 논문에 없다.
  12. 959AI / General

    Physics of Agents: Statistical Mechanics Predicts Collective Behavior of AI Agents

    • 약 10,000개 에이전트 커뮤니티(객관 수학 문제+주관 정치 명제)를 시뮬레이션하고 개인·집단 궤적 데이터를 공개했다.
    • 집단 행동이 무관심·양극화·합의 3개 체제로 압축되고, 상호작용이 확신을 키우며 질서 있는 상태로 이끈다는 걸 발견했다.
    • 객관 질문에서는 소통이 집단 정확도를 높인다. 처음에 틀린 다수가 정답으로 바뀌는 비율이 처음에 맞은 다수가 틀리는 비율보다 크다. 주관 질문에서는 우측 이동 같은 계통적 편향 드리프트가 생긴다.
    • 이징 모델 확장(고유 장+상호작용 항)이 초기 의견만으로 개별 궤적을 예측해 모든 표준 기준을 능가하고, 안 본 커뮤니티 그래프로 일반화된다.
    • 피팅된 파라미터가 관찰을 설명한다. 임계 온도 이하(확신 축적), 인화적 유대가 반목 유대보다 강함(합의 선호), 정답 보유자의 인력이 가장 강함(진실 추구).
  13. 958Robotics

    RoboEdit: Turning Human Manipulation Videos into Scalable Robot Experience

    • 사람 영상을 '새로 생성'하지 않고 '직접 편집'해 원본 장면 맥락과 물리를 보존하는 게 설계의 핵심이다.
    • 크로스엠바디먼트 적응 모듈로 7종 로봇 손의 외형·운동학·접촉 역학을 하나의 에디터로 커버한다.
    • 3D 로봇 상태 디코더가 매 프레임 손 상태를 복원해 하류 학습·제어에 필요한 구조화된 감독 신호를 제공한다.
    • 자동 파이프라인(ADC)이 깊이 정규화와 물리 정제로 물체 침투·부유 접촉·시간 지터 같은 아티팩트를 줄인다.
    • 174K 짝 영상(14M 프레임)·7개 엠바디먼트의 RoboEdit-14M 데이터셋을 구축했고 실세계 조작 정책 학습에 유효했다.
  14. 957AI / General

    What is Missing from AI Post-Training AI: An Empirical Analysis

    • 실행 능력(고른 전략 안에서의 미세조정)과 전략 능력(증거가 쌓이면 상위 판단 자체를 바꾸기)을 분리하고, 병목은 후자라고 규정했다.
    • 훈련 전략은 첫 순간에 고정되고 이후 예산은 전부 국소 조정에 소모된다. 10시간 이상 '틀린 전략 안에서 효율적으로' 반복할 수 있다.
    • 전략 고정은 과제가 아니라 에이전트 사전 지식의 반영이다. 같은 에이전트는 과제가 달라도 비슷한 전략을, 다른 에이전트는 같은 과제에서 다른 전략을 골랐다.
    • 경험 스캐폴딩(실험 일지+스킬 라이브러리+평가 에이전트)은 실행을 GSM8K +12.6점, HumanEval +40.8점 올리지만 전략은 바꾸지 못했다.
    • 사람의 전략 수정은 학습 시작 전 짧은 창에서만 통하고, 시작 후엔 국소 루프로 회귀한다. 추론 컴퓨트를 2~8배 늘려도 최난과제에선 거의 무효했다.
  15. 956Research

    A metric on $S^2 \times S^2$ with positive sectional curvature

    • 두 개의 구를 곱한 공간 S²×S²에 모든 단면 곡률이 양수인 거리 구조가 존재함을 구성으로 증명했다.
    • 표준 거리에서 Cheeger 변형을 적용해 음이 아닌 곡률의 Cheeger-Müter 거리를 만든 뒤 세 번째 차수 섭동을 더했다.
    • 일반점마다 남는 곡률 0 평면과 섭동의 첫 번째 변화가 0이라는 구조를 이용해 마지막 평평한 방향까지 양수로 만들었다.
    • 오랫동안 알려진 미분기하의 존재 문제를 해결해 양의 곡률을 가진 4차원 공간의 구체적인 예를 넓혔다.
    • 증명의 여러 계산이 MATHEMATICA에 의존하고 코드가 함께 제공되므로, 기호 계산과 코드의 독립 실행 검증이 결과 확인에 중요하다.
  16. 955Software Engineering

    SkillForge: Self-Distilling Agents for Project-Specific Issue Resolution

    • 과거 이슈 의존(역사가 있어야 함)이나 이슈당 비싼 테스트타임 탐색 없이, 저장소 자체에서 합성 이슈를 만들어 미리 지식을 축적하는 능동적 접근이다.
    • 합성 이슈는 테스트 커버리지가 담보하는 '실제로 실행되는 버그'라서 학습 신호가 행동으로 검증된다.
    • 증류된 지식을 전역 진단 스킬과 국소 개입 스킬의 2층 저장소로 구성하고, 이슈 해결 때 전역 초기화와 즉시 주입(JIT)으로 활용한다.
    • SWE-bench Verified에서 72.2%(DeepSeek-V3.2, +5.8%p)와 60.6%(GPT-5-mini, +5.6%p) Pass@1. SWE-bench Pro에서도 +5.8/+4.1%p 개선.
    • 합성 이슈의 유형 분포가 실제 평가 이슈 분포와 겹치지 않는다. 즉 평가셋 재탕이 아니라 모델이 저지르는 새로운 취약점을 노린다.
  17. 954Machine Learning

    Inference and Uncertainty Quantification for Streaming $r$-PCA

    • Oja 알고리즘의 오차 상한에서 사라지지 않던 나머지 항을 없애 일반 랭크와 아서브가우시안 자료에서 날카로운 연산자 노름 속도를 얻었다.
    • 조밀 꼬리와 성긴 꼬리 공분산 체제 모두에서 로그 인자 차이까지 맞는 하한을 증명해 수렴 속도의 최적성을 뒷받침했다.
    • 반복값을 선형화해 일반 랭크 오차의 고차원 가우시안 근사와 명시적인 극한 공분산을 유도했다.
    • 온라인 승수 부트스트랩의 일관성을 증명해 자료를 한 번 흘려보내면서 추정값과 불확실성 구간을 함께 계산할 수 있게 했다.
    • 현재 이론은 일정한 학습률에 한정돼 있어 변하는 학습률과 희소성, 마르코프 의존성, 양자화가 있는 자료로의 확장은 아직 열려 있다.
  18. 953LLMs / NLP

    SPADE: Self-Play in Adaptive Synthetic Executable Environments

    • 환경 설계 자체를 학습 가능한 컴포넌트로 만들었다. 설계자가 만드는 환경 분포가 에이전트 성장에 맞춰 함께 진화한다(공진화).
    • 힌트 기반 후회 보상이 핵심 트릭이다. 순수 적대적 설계자는 못 풀 문제를 내고, 협조적 설계자는 가르칠 게 없는 문제를 낸다. 힌트 유무 성능차는 '풀 수 있으면서 배우는 가치가 있는' 환경을 자동으로 골라낸다.
    • 환경을 Gym 스타일 실행 코드로 쓰기 때문에 하나의 인터페이스로 한 턴 추론 문제와 멀티턴 도구 사용 과제를 모두 커버한다.
    • 사전학습 문서로 설계를 그라운딩하고, 만들었던 환경의 메모리를 축적하는 게 성능에 결정적이었다.
    • 30B 스케일에서 고정 환경 최강 기준 대비 8개 수학·과학·코딩·추론 벤치마크 평균 +5.3, BFCL v4 멀티턴 +5.7, ACEBench-Agent +13.9를 기록했다.
  19. 952Machine Learning

    Open-MOPD: Diagnosing and Fixing Capability Imbalance in Multi-Teacher On-Policy Distillation

    • 정답 도메인 라벨로 완벽한 라우팅(선생 지정)을 줘도 통합은 실패한다. 병목은 라우팅이 아니라 능력 통합 자체였다.
    • 범인은 선생 간 불일치가 아니라 토큰 예산 왜곡이었다. 지시수행은 입력 프롬프트의 20.3%를 차지하지만 그래디언트 토큰은 0.99%만 받았다.
    • 왜곡 원인을 3가지로 분리했다. 도메인별 답변 길이 차이, 도메인별 수렴 속도 차이, 롤아웃 재사용으로 인한 학생 보상 신호의 부패.
    • 토큰 몫 균형화 + 격차 인지 동적 배분 + 학생 보상 갱신을 더하니 개선분 회복율이 35.6%에서 83.4%로 올랐다.
    • 전체 레시피·학습 궤적·평가 스위트를 8×A100-80GB 학술 예산으로 재현 가능하게 전부 공개했다.
  20. 951Computer Vision

    Depth Anything V4: Dynamic 4D Scene Reconstruction via Riemannian Flow Matching on 4D Gaussian Splatting

    • [철회 논문] arXiv의 최신 버전 v2는 Jiaming Fan이 이 논문을 철회했다고 명시합니다.
    • 공식 버전 이력의 철회일은 2026년 8월 20일이고, 공개 사유는 “Major errors in research”(연구의 중대한 오류)입니다.
    • 이전에 소개된 방법과 성능 수치는 철회 전 주장이므로 유효한 연구 결과나 도입 추천의 근거로 제시하지 않습니다.
    • 공식 철회 안내와 버전 이력: https://arxiv.org/abs/2608.18388 .
  21. 950Research

    Quantum Magic in High Energy Collision

    • 양자 매직이 스핀을 재는 기준에 따라 달라짐을 다루기 위해 랩 기준과 헬리시티 기준에서 QED 과정과 전기약한 상호작용 과정을 함께 계산했다.
    • 초상대론 영역에서는 헬리시티 기준이, 비상대론 영역에서는 랩 기준이 대체로 더 적은 매직을 만든다는 반대 경향을 확인했다.
    • 초상대론 밥하 산란의 양자회로 구현에서 일반 산란각의 랩 기준 회로가 더 많은 T 게이트를 요구해 매직과 계산 비용의 연결을 보였다.
    • 두 기준 모두에서 자연의 약한 혼합각이 매직을 최소화하는 값 가까이에 있어 이전 결론이 기준 선택만의 결과가 아님을 보였다.
    • 분석은 사건마다 고정한 기준과 나무 수준의 일부 렙톤 산란에 한정돼 있어, 고차 보정과 비아벨 상호작용 및 전체 표준모형으로의 확장이 남아 있다.
  22. 949Robotics

    Embodied-Navigator: Point, Think, Memorize, and Align for Efficient Navigation

    • 픽셀-투-3D 행동 정식화로 VLM이 익숙한 2D 시각 프롬프팅만 하게 해 3D 기하 변환 학습에서 오는 공간 환각과 낮은 표본 효율을 피했다.
    • 선택적 추론은 핵심 노드에서만 사고를 촉발하고 나머지는 시공간 표시자로 압축해 추론 지연과 기억 오버플로를 함께 관리한다.
    • 2단계 GRPO가 전역 결과 보상에 미세 과정 보상을 겹쳐 밀도 있는 감독을 주고 상태에 따라 생각을 촉발하는 적응 능력을 길렀다.
    • R2R-CE에서 66.2% 성공률로 최고 성능이었고 학습에 9만 궤적만 필요했다.
    • 실물 로봇 무튜닝 배포에서 60.0% 성공률로 StreamVLN 49.0%, DualVLN 53.0%를 앞섰다.
  23. 948AI / General

    Agent Lightning v1.0: Towards Harnessed Agentic RL

    • 하니스 기반 에이전틱 강화학습은 학습 엔진이 아닌 배포용 하니스가 환경 상호작용 루프를 소유하고 학습기는 요청-응답 쌍만 관측하는 구조다. OpenClaw, Claude Code, OpenHands 같은 하니스가 예로 언급된다.
    • 재토큰화(같은 텍스트도 토큰 경계가 달라져 병합 불가), 롤아웃당 샘플 수 가변, 손실 정규화, 백엔드 스케줄링 네 가지를 핵심 난제로 정리했다.
    • 샘플 단위가 아니라 롤아웃 단위 어드밴티지와 정규화를 함께 쓰는 설계가 검증 보상 38.2%로 가장 좋았다.
    • SWE-smith 정제 파이프라인으로 6천 예제만 남기고 강화학습만으로 SWE-bench Verified 41.8%에서 56.4%를 달성했다.
    • git 명령 차단과 네트워크 화이트리스트 같은 보상 해킹 방지 장치가 실제 학습 안정화에 필요했다.
  24. 947Computer Vision

    GenRec: Knowing Where to Reconstruct and Where to Generate

    • 관찰과 미관찰 픽셀을 단일 손실로 함께 학습시키면 정답이 하나뿐인 복원과 여러 답이 가능한 생성이 서로 방해한다는 문제 의식에서 출발했다.
    • 단안 깊이 추정으로 원본 픽셀을 목표 시점에 워핑해 관찰 마스크를 만들고 이 마스크가 아키텍처, 손실, 그래디언트 흐름을 모두 제어한다.
    • 흐름 정합 백본이 RGB와 장면 좌표 맵을 함께 복원해 시점 간 일관성을 한 번의 샘플링으로 유지한다.
    • RealEstate10K 2-뷰 보간에서 PSNR 19.80로 최강 기준 15.70을 크게 앞섰고 Mip-NeRF 360에서도 전 지표 최고였다.
    • 추론 시간이 약 11초로 1,200초가량 걸리는 최강 기준보다 두 자릿수 빠르다.
  25. 946Computer Vision

    aDSL: Agentic 3D Creation via Joint Agent-Program Design

    • LLM은 다리가 정확히 어느 좌표에 있는지 같은 수치 지정은 자주 틀리지만 의자 다리는 좌석 아래 네 모서리 같은 구조 추론은 잘한다는 관찰에서 출발했다.
    • aDSL은 조합성과 공간 관계 연산을 강조해 에이전트가 낮은 수준의 수치를 직접 다루지 않게 한다.
    • 자기 수정 루프를 끄면 시각 질문 점수가 61.53으로 떨어지고 실행 성공률도 하락해 반복 검증이 필수임을 확인했다.
    • 계획 단계를 빼면 평균 수정 라운드가 4.25에서 5.58로 늘어 구조 분해가 효율을 좌우한다.
    • 대화형 프론트엔드 연동(OpenClaw 시연 포함)으로 반복 편집이 가능하고 외부 고화질 생성기와 결합해 구조 보존과 디테일 강화를 같이 얻었다.
  26. 945Machine Learning

    Abra: Scaling Diffusion Image Training

    • 10의 19승에서 22승 FLOPs 구간의 통제된 모델군으로 텍스트-이미지 확산 모델의 컴퓨트 최적 점을 측정했다.
    • 최적점은 파라미터당 약 200 이미지 토큰으로 언어모델 친칠라 규칙(20토큰)의 10배다.
    • 확산 모델은 과잉 학습에 강해서 예산이 남으면 모델을 키우기보다 데이터를 더 쓰는 쪽이 낫다.
    • FID와 CLIPScore 같은 생성 품질 지표, 표현 품질, 최적 CFG 설정도 컴퓨트에 따라 예측 가능하게 변한다.
    • 해상도가 오를수록 최적 토큰 수가 늘어서 고해상도 학습은 데이터 병목이 아니라 컴퓨트 병목이다.
  27. 944Machine Learning

    Recirculation

    • 트랜스포머는 순방향이라 깊은 층에서 문맥이 반영된 해석이 만들어져도 얕은 층은 그 해석을 다시 쓸 수 없는데, 리서큘레이션은 이 표현을 아래로 새어 들게 해 상태 추적을 돕는다.
    • 모델 가중치를 전혀 바꾸지 않고 적응형 변형의 소량 하이퍼파라미터 튜닝만으로 Gemma3 제품군에서 퍼플렉시티 23% 감소, GSM8k 정확도 21% 증가를 얻었다.
    • GSM8k 오답률은 pass@1에서 8.8%, pass@128에서 20.9% 각각 줄었다.
    • 생성 단계에서는 두 스택을 병렬로 돌려 추가 비용이 거의 없지만, 프리필을 토큰마다 순차 처리해야 해 긴 문맥에서는 비용이 될 수 있다.
    • 저자들은 새 구조를 억지로 설계하기보다 학습된 모델의 성질에서 구조 개선 단서를 읽는 접근이라고 제안한다.
  28. 943AI / General

    ASI-Bench: At the Dawn of Artificial Superintelligence

    • 같은 과제를 전체 절차 제공, 방법만 지정, 방법 자율, 혼선 정보 추가 4단계로 지도를 줄여가며 평가해 지시 이행과 자율 연구를 분리해 측정한다.
    • 18개 에이전트-모델 조합 평균이 전체 지도 50.91에서 방법만 지정 29.10, 방법 자율 26.62로 하락했다.
    • 같은 모델도 하니스(에이전트 실행 환경)에 따라 점수가 크게 달라졌다. MiMo V2.5 Pro는 자체 하니스 16.17에서 Claude Code 하니스 23.25로 올라갔다.
    • 방법 이름만 주는 조건이 오히려 가장 비싸서 과제당 평균 691만 토큰을 썼고, 불완전한 지도가 탐색 비용을 키웠다.
    • 최고 성능 조합은 51.60%였고 저가 조합은 4분의 1 비용으로 비슷한 성능을 내 비용 대비 효율 편차가 크다는 점도 보여줬다.
  29. 942Robotics

    Hydra-0: Action Flow for Generalist World Modeling and Control

    • 로봇 명령을 이미지 평면의 점 궤적으로 바꿔 조건으로 주면, 월드모델이 기체별 좌표계를 몰라도 움직임의 결과를 예측할 수 있다.
    • 사람 1인칭 시범, 핸드그리퍼, 양팔·한팔 로봇 등 이기종 영상을 같은 표현으로 담아 하나의 범용 월드모델을 학습했다.
    • 순방향 예측에서 로봇 움직임 오차 90.4%, 물체 움직임 오차 60.2% 감소했고 RoboLab 정책 5개의 성공률 재현 상관은 0.96이었다.
    • 역방향 모드는 사람 시범의 물체 움직임만 보고 호환되는 로봇 움직임을 생성하고, 학습된 액션 헤드가 실행 가능한 명령으로 바꿨다.
    • 오픈루프 방식의 정책 평가까지만 다뤘고 폐루프 평가는 남은 과제라고 밝혔다.
  30. 941Machine Learning

    Agentic ESOpt: Fine-Tuning Long-Horizon LLM Agents with Minimal GPU Requirements

    • 무작위 매개변수 교란을 순전파로 평가하는 진화 전략을 써서 추론 수준의 GPU 메모리만으로 전체 매개변수를 조정했다.
    • 긴 궤적의 보상을 토큰별로 나누지 않고 하나의 정책 교란에 귀속해, 상호작용이 길어질수록 어려워지는 강화학습의 신용 할당을 피했다.
    • 15차례 스도쿠에서 강한 GRPO 기준보다 12.5% 높았고, ReAct 수학·문서 질의응답에서도 GRPO보다 평균 8.3% 향상됐다.
    • Qwen3.5-27B 웹 에이전트를 H100 네 장으로 전체 미세조정했고, 매개변수와 프롬프트를 함께 바꾼 휴리스틱 탐색은 36개 설정 중 28개에서 기준을 넘었다.
    • 교란 크기 같은 추가 조정값이 필요하고 환경 평가가 비싸면 많은 순전파 비용이 불리해지며, 계속 학습할 때 무관한 방향으로 떠도는 문제도 아직 분명하지 않다.

연구에서 제품 적용까지

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

보유기술 보기