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. 910AI / General

    Model Discovery Agent: LLM-assisted Bayesian experiment design for data-efficient discovery of mechanistic world models

    • 관찰만 한 데이터로는 인과 구조를 특정할 수 없다는 통찰이 출발점이다. 답을 얻으려면 직접 개입하는 실험이 필요하다.
    • LLM은 가설 제안자, 베이지안 기계(SMC·SBI·VoI)는 검증과 실험 설계 담당으로 역할을 나눴다.
    • 현재 가설 집합에 정답이 없을 때(M-open 상황) 예측 검사로 부족함을 감지하고, LLM이 새 모형을 추가해 탐색 공간을 스스로 넓힌다.
    • 발견과 실험 설계가 서로를 강화한다. 설계된 실험이 제안된 메커니즘을 확인하고, 확인된 메커니즘이 예측을 좋게 만들어 잔여 오차에서 다음 발견이 가능해진다.
    • 부분 관측 상황의 단일 뉴런 전기생리학 벤치마크(NEURONBENCH)를 새로 만들었다.
  2. 909AI / General

    Algebraic Decomposition Theory for Transformer Length Generalization

    • 구조가 거의 같아 보이는 두 문제도 길이 일반화가 되는 쪽과 안 되는 쪽으로 갈리는데, 기존 이론은 이 차이를 설명하지 못했다. 이 논문이 처음으로 완전한 판정 기준을 줬다.
    • 판정 알고리즘이 다항 시간에 돈다. 이론에 그치지 않고 실제로 확인 가능한 도구를 준 셈이다.
    • 핵심 발견은 '무한히 세는 능력(unbounded counting)'이 트랜스포머 길이 일반화의 씨앗이라는 것. 이를 정수 덧셈 군의 반복 wreath product로 형식화했다.
    • GPT-2를 길이 50까지 학습시키고 최대 500까지 테스트했더니, C-RASP 안의 언어는 정확도를 유지하고 밖의 언어는 훈련 길이 직후 급락했다.
    • JSON 같은 구조화 출력과 에이전트의 상태 추적이 길어지면 왜 무너지는지 이해하는 이론적 기초를 준다.
  3. 908Research

    Blue Noise as a Lattice Gibbs Ensemble

    • 점 사이 반발을 이진 격자 점유의 깁스 분포로 정식화해 밀도와 반발 세기, 작용 거리, 커널 경도를 한 모형에서 조절했다.
    • 유한 거리 상호작용과 뒤로 추적하는 표본 추출을 이용해 충분한 둘레를 둔 타일 결과가 전체 영역 생성과 비트 단위로 같음을 보장했다.
    • 메모리가 출력 전체가 아니라 타일 크기로 정해져 14K 점묘 영상도 51MiB 메모리로 생성할 수 있었다.
    • 같은 분포 틀을 적응형 밀도와 여러 종류의 점 배치로 넓혀 큰 그래픽 작업을 순서와 통신 제약 없이 나눠 처리할 수 있게 했다.
    • 격자는 점 위치를 양자화하고 뒤쪽 이력 절단은 정확성과 비용을 맞바꾸며, 질서를 강하게 할수록 의존 반경이 커져 타일 방식의 이점이 사라질 수 있다.
  4. 907Machine Learning

    Latent On-Policy Self-Distillation

    • '선생에게 무엇을 보여줄지' 사람이 정하지 않고 학습이 알아서 정한다 — 경험 표현 자체를 end-to-end으로 최적화한 설계 전환.
    • 학습 후에는 학생 모델만 남고 검색 DB·압축기·잠재 토큰을 전부 삭제해도 성능이 유지된다(경험이 정책 안으로 내면화됨).
    • GRPO·Skill-SD보다 30% 미만의 롤아웃 예산으로 승리 — 자기진화의 계산 비용 문제를 크게 줄였다.
    • 선생이 학생과 똑같아지는 붕괴를 막는 '특전 마진' 제약이 핵심이며, 제약을 빼면 지도 신호가 사라진다는 것을 소거 실험으로 증명했다.
    • 학생의 행동도 바뀐다: 도구를 한 번에 마구 호출하던 습관에서 순서대로 계획을 실행하는 스타일(스텝당 호출 3.50→1.11)로 이동했다.
  5. 906Machine Learning

    CAKE: Compiler-Agent Co-Design for Frontier Kernel Evolution

    • '무엇이 왜 틀렸는지' 위치를 알려주는 컴파일러와 함께 작업하면 블랙박스 환경보다 전문가급 GPU 커널에 훨씬 가까워진다.
    • 하네스 자체도 진화 대상이다 — 반복되는 실패를 검증 규칙·새 IR 명령·성능 모델 보정으로 바꿔 일회성 우회가 아니라 축적되는 지식을 만든다.
    • 같은 예산의 clean-start에서 Cake IR 표현은 튜닝 기준치 1.144배, 직접 CUDA/PTX는 0.928배 — 코드 표현 방식 자체가 성능을 가른다.
    • 에이전트가 만든 Kimi Delta Attention 커널이 공식 구현 대비 2.05배 기하평균 가속을 냈고 실제 서빙 검증까지 통과했다.
    • 단일 규격 최적화와 400여 개 규격 일반화(디스패치) 단계를 분리해 라이브러리 수준 통합까지 완성했다.
  6. 905Machine Learning

    Training AI Scientists to Replicate Research

    • 27B 소형 모델(Faraday)이 5조 파라미터급 코딩 에이전트를 도구로 부려 논문 복제에서 Claude/GPT급을 능가했다 — 큰 모델을 곧바로 쓰는 것보다 작은 모델에 '과학적 판단력'을 심는 쪽이 낫다는 뜻.
    • 검증 불가능한 열린 과제에도, 사람 평가와 일치하는 자동 루브릭 심판을 보상으로 쓰면 안정적으로 강화학습이 된다는 레시피를 제시했다.
    • 미학습(홀드아웃) AI-for-science 과제에서도 60% 승률과 평균 +6% — 단순 암기가 아니라 과학적 사고가 이식됐다.
    • Faraday는 결과를 코딩으로 찍어내는 대신 논문의 메커니즘을 직접 구현하고 실험 규모를 예산에 맞게 축소하는, 인간 과학자 같은 태도를 보였다.
    • 약한 모델이 강한 모델을 감독·지휘하는 구조가 실제 성능으로 이어져, AI 안전성(감독 가능성) 연구에도 중요한 증거가 됐다.
  7. 904AI / General

    Beyond Final Scores: A Systematic Evaluation of Agents for Long-Horizon AI Research and Development

    • 최종 점수가 같아도 병목은 달랐다. GPT-5.5는 실행이, Gemini-3.1-Pro는 피드백 제어가 강한 식으로 과정 프로파일이 갈렸다.
    • 모델 간 격차는 최고 성능(best@3, 0.122)보다 평균(avg@3, 0.237)에서 훨씬 컸다. 신뢰성이 승부처다.
    • 252개 최고 시드 해결책 중 진짜 방법론적 신규성을 가진 것은 3개뿐이었다.
    • 경험 이전은 양날이었다. DeepSeek-V4-Pro는 +0.093 향상, Gemini-3.1-Pro는 -0.017 악화.
    • 하네스(에이전트 운영 체계)는 최고 성능보다 실행 안정성에 주로 영향을 주었다.
  8. 903Computer Vision

    Alaya-EVOKE: From Linear-Scaling Supervision to Endless World

    • 지속 상태를 카메라 자세로 색인되는 외부 기하 뱅크에 저장해, 세션 길이와 무관하게 고정된 컨텍스트 비용을 유지했다.
    • 교사 모델에 청크별 희소 어텐션과 선형 어텐션 전역 상태를 결합해 감독 비용이 길이에 선형으로만 늘어나게 했다.
    • 30초 장기 분포 정합 목표로 3단계 CFG 없는 학생 모델을 증류해 저지연 인터랙션과 장기 일관성을 함께 얻었다.
    • 2시간 연속 생성을 시연했고 WBench에서 최고 성적, VBench-2.0에서 66.77로 비교군 10개 중 1위였다.
    • 세션 중 텍스트 지시 교체는 새로 붙일 수 있는 콘텐츠는 67% 반영되지만, 이미 기하로 고정된 내용은 4%만 덮어써졌다.
  9. 902Computer Vision

    PlayWorld: Benchmarking World Models with Agent Players over Long-Horizon Objectives

    • 고정 액션 궤적 대신 공유 목표 + 에이전트 플레이어의 적응적 조절(Keep/Stop/Extend/Correct/End)로 모델 간 공정 비교를 가능하게 했다.
    • 기하 일관성·상호작용 충실도·시야 외 진화·통찰 진화 4개 핵심 차원과 기본 능력 지표를 함께 평가한다.
    • 9개 모델 중 Genie 3가 종합 최고였고 HappyOyster가 2위였다.
    • 모든 모델에서 시야 밖 상태 진화와 통찰 진화 점수가 가장 낮아 장기 지속성이 현재 병목임을 확인했다.
    • 자동 VQA 메트릭과 인간 선호의 순위가 양의 상관을 보였다.
  10. 901AI / General

    OmniScientist: An Omni-Modal Omni-Discipline AI Scientist

    • 텍스트·요약 대신 원시 관측(공간·시간·채널 관계)을 연구 전 과정에 접근 가능하게 해, 데이터 표현이 연구를 제약하는 문제를 풀었다.
    • 아이디어·실험·집필 3개 자율 에이전트를 얇은 결정론적 파이프라인으로 제어하고, 신선함·누출·HARKing·추적성 검사를 코드로 강제했다.
    • 36개 실데이터 사례(5개 학문군, 4개 증거군) 모두에서 원시 데이터→논문까지 완주, 평균 논문 점수 6.3을 받았다.
    • 직접 지각하는 쪽이 미리 계산된 특징만 받는 블라인드 변형 대비 7개 평가 차원 모두에서 앞서고 1:1 비교의 85%에서 이겼다.
    • 예시로, 노이즈로 라벨된 지진 데이터 750건 중 21.7%에 실제 지진 신호가 숨어 있음을 발견하고 통계적으로 검증했다.
  11. 900Computer Vision

    Fidelity-Constrained Anchoring for Black-Box Denoisers

    • 블랙박스 노이즈 제거 결과와 입력을 작은 영상 조각별로 선형 혼합해 목표 충실도를 만족하는 가장 큰 혼합 계수를 구했다.
    • PSNR 제약은 닫힌 해로 풀고 SSIM 제약은 역 SSIM의 성질을 이용한 네 번의 근 찾기로 효율적으로 계산했다.
    • Real-ESRGAN과 비국소 평균 제거기에서 재학습 없이 목표 PSNR 또는 SSIM을 제어할 수 있음을 확인했다.
    • SSIM 기반 고정은 세 가지 가우시안 잡음 세기에서 PSNR 기반보다 일관된 품질·자연스러움 절충을 보여 실용적인 후처리로 쓸 수 있다.
    • 선형 혼합에 의존하므로 제거 결과가 입력과 크게 다르거나 잡음이 너무 강해 원래 구조가 손상되면 성능이 떨어진다.
  12. 899Computer Vision

    StreamTTT: Reconciling Real-Time Perception and Long-Term Memory in Streaming VLMs

    • 장기 역사를 어텐션 컨텍스트 밖의 TTT(테스트 타임 트레이닝) 빠른 가중치에 저장해, 과거가 최근 장면 이해를 희석하는 문제를 구조적으로 막았다.
    • 실시간 질의를 답 가능한 시점으로 옮겨 붙인 112.4K 규모 리얼타임 QA 데이터셋을 새로 구축하고 오프라인 장기영상 QA와 함께 학습했다.
    • OVO-Bench에서 SimpleStream-4B 대비 실시간 인식 +1.4점(78.9), 후행 추적 +3.7점(58.3)을 기록했다.
    • StreamingBench RTVU에서 80.48로, 파라미터가 두 배인 SimpleStream-8B(80.59)와 0.11점 차였다.
    • 4K 윈도에서 TTT 상태를 더하면 64K 윈도 확대 효과의 약 97%를 OVO-EPM에서 회복했다.
  13. 898Machine Learning

    Synthetic Persona Pretraining: Alignment from Token Zero

    • 사전학습 문서에 가치 성찰을 붙여 '페르소나'를 조기에 설치하고, 사후학습에서 이를 어시스턴트 정체성에 묶는 persona binding을 제안했다.
    • 첫 토큰부터 주입하면 헌법 준수가 좋아지고, 훈련에서 다루지 않은 도덕 딜레마에서도 더 정렬된 선택을 했다.
    • 같은 성찰을 사전학습 막바지에만 넣으면 효과가 약했고 가치 우선순위도 바뀌지 않았다.
    • 효과는 사전학습 예산이 커질수록(1.7B/100B → 3B/500B) 더 커졌다.
    • 탈옥 방어는 막바지 주입만으로도 확보됐지만, 깊은 가치 정렬은 조기 주입이 필요했다.
  14. 897Computer Vision

    AutoDesign: Meta-Harness Optimization for Long-Horizon Agentic Design

    • '모델 파라미터는 고정하고 하네스를 최적화한다'는 접근으로, 실패 경험이 시스템 자체의 개선으로 축적되게 했다.
    • 한 번에 한 개 구성요소만 바꾸고, 개발 성능 유지 조건을 통과해야 승격하는 안전한 업데이트 게이트를 도입했다.
    • 학습된 DesignHarness를 얹자 7개 코드 에이전트 구성 모두 5.0~19.6점 향상됐다(평균 54.99→67.39).
    • PosterBench(논문 100편, 5개 분야)에서 78.32점으로 최상위, 상용 시스템 Claude Design보다 7.45점 높았다.
    • 완전 자율 루프에서 253번의 도구 호출과 11번 편집을 40분 만에 3달러 미만으로 수행해 학회 포스터 수준 결과를 냈다.
  15. 896Machine Learning

    Intern-S2-Preview: Scientific Agentic Foundation Model

    • 과학 문서(텍스트+그림+표)를 그대로 렌더링해 시각적으로 사전학습시키는 방식으로, 텍스트 추출에서 사라지는 문서 구조까지 흡수시켰다.
    • 검증 가능한 목표의 다중과제 강화학습과 흑백박스 에이전트 RL을 하나의 사후학습 파이프라인으로 통합했다.
    • 397B 백본을 얼려두고 별도 학습된 메모리 디코더(4B)를 붙이는 방식으로, 일반 능력을 해치지 않고 생물학 점수를 56.92에서 60.32로 올렸다.
    • harness×task 추상화로 서로 다른 에이전트 런타임과 과제가 같은 롤아웃·검증·학습 프로토콜을 공유하게 했다.
    • 과학·멀티모달·에이전트·일반 벤치마크 전반에서 경쟁력 있는 성적을 냈다.
  16. 895Computer Vision

    V-RAE: Rethinking Video Latent Spaces for Generation

    • 영상 잠재 공간을 화소 복원용으로 학습하는 대신, 얼어 있는 시각 기반 모델의 의미 있는 특징 공간 위에 구축했다.
    • K600 복원에서 rFVD 2.13으로 평가 대상 대형 영상 VAE를 모두 앞질렀고, 잠재 공간의 의미 정보 보존도 훨씬 좋았다(UCF101 분류 89.13% vs VAE 최고 30.83%).
    • 같은 학습 조건에서 생성 품질(gFVD)도 앞서고 수렴은 최대 6배 빨랐다.
    • 복원 점수(rFVD)와 생성 품질의 순위가 크게 달라진다는 걸 보여주고, 생성 적합성을 더 잘 반영하는 tFVD 지표를 제안했다.
    • Cityscapes 미래 영상 예측에서도 Wan 2.2 VAE 잠재 공간보다 나은 결과를 냈다(gFVD 111.36 vs 144.47).
  17. 894Computer Vision

    DreamX-Phi 1.0: Action-Conditioned Video World Model for Robotic Manipulation

    • 로봇 양팔의 3D 이동 경로를 어텐션에 기하학적으로 주입해서, 영상은 그럴듯한데 잘못된 팔을 움직이는 문제를 막았다.
    • 깊이 예측 브랜치와 SAM3 마스크(물체 영역을 분리해주는 기법)로, 집은 물체가 영상 도중 사라지거나 뒤바뀌는 실수를 줄였다.
    • 여러 단계로 생성하던 모델을 몇 단계로 압축하는 증류(큰 모델의 지식을 작은 모델에 옮기는 기법)로 빠른 배포를 가능하게 했다.
    • WorldArena 2.0 트랙 1에서 31팀 중 1위(EWMScore-P 60.65), 트랙 2에서 공동 2위(67.19%)를 기록했다.
    • WorldArena 1.0 오프라인 평가에서 76.88점으로 기존 최고 기록(73.64)보다 3.24점 높았다.
  18. 893LLMs / NLP

    Massive Activations in Hybrid Linear Attention Large Language Models: Pre-Attention Spikes and Inter-Spike Plateaus

    • 첫 번째 패턴은 완전 어텐션 층 바로 앞에서 값이 크게 튀는 현상이다. 두 번째 패턴은 그 값이 다음 스파이크 사이의 여러 선형 어텐션 층에서 높게 유지되는 현상이다.
    • 선형 어텐션 구조 5종, 혼합 비율 6종, 입력 분야 5종과 12억부터 3,970억 매개변수의 공개 모델에서 같은 패턴을 확인했다.
    • 통제된 3억 4,000만과 13억 매개변수 모델의 12대1 혼합 설정에서, 완전 어텐션 직전과 스파이크 위치의 일치율은 전체 평균 99.4%에서 100%였다.
    • 3억 4,000만 매개변수 통제 모델에서는 두 패턴이 첫 측정 시점인 학습 10억 토큰 뒤부터 보였다. 완전 어텐션 출력 게이트는 값의 크기를 줄였지만 층별 위치 패턴은 없애지 못했다.
    • 저자들은 빠른 상쇄가 스파이크를, 늦은 상쇄가 고원을 만든다고 설명하지만 상쇄 시점의 원인과 실제 계산 역할은 후속 과제로 남겼다.
  19. 892Robotics

    FACT: Failure-Aware Causal Training for World-Action Models

    • 행동을 먼저 만든 뒤 그 행동을 조건으로 미래 영상과 진행도를 예측하며, 실패 행동은 모방하지 않고 결과 예측에만 사용한다.
    • RoboTwin 50개 과제에서 평균 성공률은 영상 공동 학습 없이 81.8%, 영상 공동 학습 시 85.6%, 실패 자료까지 넣었을 때 87.5%였다.
    • 실제 양팔 로봇에서 학습 때 본 과제는 82%에서 89%, 처음 보는 변형 과제는 67%에서 77%로 올랐다.
    • 실패 사례의 영상 예측 PSNR은 19.51에서 25.92로 올랐고, 성공 사례는 26.12와 26.08로 거의 같아 정상 예측은 유지됐다.
    • 행동 후보 4개를 진행도로 평가하면 본 과제 92%, 새 변형 과제 82%였지만 후보 평가를 위한 추가 계산이 필요하다.
  20. 891Machine Learning

    Dion3: Full-Stack Orthogonal Updates

    • Gram Newton-Schulz는 기존 방법을 수학적으로 같은 형태로 다시 쓰고, 큰 직사각형 행렬 대신 작은 대칭 행렬에서 반복 계산해 연산량을 줄인다.
    • 대칭성을 활용하는 GPU 커널과 같은 모양의 행렬을 묶어 통신하는 방식을 추가했다. 10억 매개변수 모델의 8분할 설정에서는 묶음 통신만 바꿔 옵티마이저 단계 시간을 80.7밀리초에서 52.1밀리초로 줄였다.
    • 매 단계에서 모멘텀 행렬의 일부 행만 골라 직교화해 계산과 통신을 줄였고, 이전 압축 방식인 Dion보다 속도와 손실이 모두 좋아졌다.
    • 30억부터 140억 모델을 100억 토큰으로 학습한 실험에서 모두 검증 손실이 낮았고, 140억 모델은 NorMuon보다 손실이 0.027 낮고 평균 정확도는 0.7%포인트 높았다.
    • 최대 6배 향상은 전체 학습이 아니라 옵티마이저 단계 기준이며, 저자 분석에서 이 단계가 전체 학습 시간에서 차지하는 비중은 설정에 따라 약 1%부터 17%였다.
  21. 890Computer Vision

    Map-Det3D: Metric Feed-Forward 3D Reconstruction Prior for Multi-view 3D Object Detection from Streaming Inputs

    • 짧은 시간 구간의 RGB 프레임을 순서대로 처리하고, 3D 복원 모델이 예측한 크기 비율을 적용해 실제 단위의 물체 상자를 만든다.
    • 2D 탐지 결과를 3D로 바꾸는 단계를 없애고, 여러 시점의 영상에서 얻은 기하 정보를 합친 3D 공간에서 상자를 직접 예측한다.
    • CA-1M에서 한 프레임 기본 구성의 AP15는 11.7이었고 시간 정보와 카메라 정보, 학습 가능한 다중 화면 처리를 모두 사용하면 21.2로 올랐다.
    • 추가 학습 없이 적용한 ScanNet200에서 AP15 15.2를 기록해 기존 단안 방법의 최고값 11.7을 넘었다.
    • CA-1M에서는 기존 단안 및 다중 시점 영상 방법보다 높았지만, 실제 깊이 또는 3차원 점 자료를 쓰는 방법보다는 낮았다. 또한 실내 장면과 물체 종류를 구분하지 않는 탐지에 한정됐다.
  22. 889Research

    On-Policy Self-Distillation for Multi-Dialect ASR: Mastering Dialects, Retaining Mandarin

    • 전체 학습 자료는 표준 중국어와 방언 약 10만 시간이며, 마지막 자가증류에는 오류율이 높은 방언 음성 약 5,000시간을 사용했다.
    • 학생은 자신이 생성한 앞부분을 입력으로 쓰고, 교사는 정답 문장을 추가로 참고해 다음 출력 후보마다 확률을 제공한다. 실제 배포할 때는 학생 모델만 사용한다.
    • 평가는 표준 중국어 공개 자료 8개, 방언 공개 자료 5개와 내부 방언 자료 18개에서 진행됐다.
    • 기본 모델과 비교해 평균 문자 오류율은 표준 중국어 3.46%에서 3.27%, 공개 방언 15.37%에서 12.79%, 내부 방언 21.01%에서 12.42%로 줄었다.
    • 같은 자료로 일반 지도 학습을 계속하면 표준 중국어 오류율이 4.43%로 높아졌지만 자가증류는 3.27%였고, 전체 평균 오류율도 10.74%보다 낮은 10.12%였다.
  23. 888Machine Learning

    Small-Scale Experiments: Are We There Yet?

    • 약 400만 개부터 2억 6,800만 개 매개변수까지 실험했다. 스케일링 법칙은 400만 개부터 3,400만 개 모델로 맞추고 더 큰 모델로 검증했다.
    • 크기별 설정을 4개나 16개만 시험하면 법칙이 보이지 않았고, 64개에서는 부정확했으며 256개에서 정확한 법칙을 얻었다.
    • 작은 모델은 학습 설정에 매우 민감했지만 모델이 커질수록 민감도가 낮아졌고, 최적점 부근에서 영향력이 큰 하이퍼파라미터 수는 1개 수준까지 줄었다.
    • 작은 규모에서 얻은 법칙은 약 10배 큰 모델까지는 잘 맞았지만, 더 먼 규모에서는 표본 오차가 크게 늘었다.
    • 이 방법으로 모델이 커질수록 사전 정규화가 더 유리하다는 대규모 결과를 재현했다. 다만 손실과 능력의 대응 관계는 사전 학습 자료의 구성을 같게 유지할 때만 적용된다고 밝혔다.
  24. 887Robotics

    G0.5: One Autoregressive Stream for Robot Reasoning and Action

    • 추론과 동작이 같은 모델 가중치와 같은 토큰 흐름을 사용하며 별도의 동작 전문가 모델을 두지 않는다.
    • 실제 환경과 모의 환경의 로봇 14종을 학습하고, 서로 다른 동작 공간을 27차원 공통 공간과 하나의 토큰 사전으로 바꾼다.
    • 생각 과정에는 하위 과제, 물체 위치, 2D 이동 경로와 동작 힌트가 들어가며 시각 기억은 최근 몇 초의 영상을 활용한다.
    • 평균 성공률은 실제 로봇 76.7%, DROID의 새 환경과 물체 82.5%, LIBERO 98.9%, RoboTwin 2.0 93.3%, SimplerEnv-Bridge 87.3%였다.
    • BEHAVIOR 장기 과제 점수는 31.4%로 비교 모델의 26.3%보다 높았지만, 시각 기억은 몇 초로 제한되고 하체 동작은 별도로 평가하지 않았다.
  25. 886Machine Learning

    AI4AI at Test-Time: Strong-to-Weak Capability Transfer via Harnesses

    • 대상 모델의 가중치를 바꾸지 않고 프롬프트, 문제별 처리 규칙, 계산 코드와 답변 형식 검사를 조합한다.
    • 숨겨진 시험 문항은 마음 이론 문제 4종의 3,900개였고, 하네스 개선에는 별도의 검증 문항 195개가 제공됐다.
    • GPT-5.4-mini의 기본 평균 점수는 0.488이었고, 자동 생성 하네스를 적용한 전체 평균은 0.763, 최고 점수는 0.912였다.
    • 같은 입력이면 같은 결과를 내는 코드와 문제별 경로 선택, 엄격한 출력 형식이 긴 추론이나 추가 표본 생성보다 더 큰 효과를 냈다.
    • 약한 대상 모델에서 개선 폭이 컸지만 강한 대상 모델에서는 일부 성능 저하도 나타났으며, 실험 범위는 마음 이론 문제에 한정됐다.
  26. 885Computer Vision

    AVA-Encoder: Towards Agent-Native Video Representation Learning

    • 이야기, 사건, 장면 계층 아래에 인물, 배경, 물체, 스타일, 카메라와 오디오 상태를 두고 관련 자산을 연결한다.
    • 복원 영상의 오류를 자연어 수정 지침으로 바꿔 공통 인코딩 정책과 영상별 지식 그래프를 두 단계로 개선한다.
    • 정책 개선에는 영상 6개를 사용했고, 평가는 겹치지 않는 영상 18개와 장면 129개, 핵심 화면 246개로 진행했다.
    • 종합 재구성 점수는 49.0%로 가장 강한 외부 비교 방법의 28.3%보다 20.7%포인트 높았다.
    • 정책만 비교했을 때 45.8%로 사람이 조정한 정책의 44.4%를 넘었고, 시스템 프롬프트는 31,336토큰에서 8,052토큰으로 줄었다.
  27. 884Computer Vision

    StateFlow: Building, Evolving, and Accessing 3D World States for Previsualization

    • 세계를 각 물체의 3D 모양, 위치와 자세, 의미 속성으로 구성된 편집 가능한 상태로 저장한다.
    • 정면 이미지는 물체 외형에, 위에서 본 이미지는 공간 배치에 활용하고 두 정보가 충돌하면 시각 언어 모델로 조정한다.
    • 장면 확장, 스타일 변경, 물체 이동과 자세 변경을 상태 일부의 수정이나 자산 교체로 처리해 전체 장면 재생성을 줄였다.
    • 카메라 경로를 먼저 제안한 뒤 렌더링 결과를 확인해 대상 가림, 나쁜 구도, 충돌 위험과 불안정한 움직임을 수정한다.
    • VBench 평균은 0.8484로 비교 방법 중 가장 높았고, 사용자 30명 평가에서 장면과 영상의 종합 점수는 모두 5점 만점에 4.5점이었다.
  28. 883Machine Learning

    Your LLM, Your Style: Behavioral Mode Axes for LLM Behavioral Control

    • 3,200개 행동 시나리오(20개 패턴 × 4개 상황)를 구성해 설문 기반 성격 측정의 한계를 극복했다.
    • LLM의 행동 스타일이 모델별로 안정적이면서도, 상황(1인칭 vs 조언 vs 작업)에 따라 의미 있게 변한다는 것을 발견했다.
    • 행동 모드 축(BMA)을 활성화 공간에서 추출해, 한 방향만 조절하면 행동 스타일을 정밀하게 제어할 수 있음을 7개 모델에서 입증했다.
    • 생각 과정에서 추출한 BMA가 응답에서 추출한 BMA보다 훨씬 정확한 제어를 제공했다 (trait drift 현상 발견).
    • 행동 제어가 효과적인 층(Behavioral Control Layer)이 모델 전체에 퍼져 있지 않고 특정 구간에 집중돼 있다는 것을 밝혔다.
  29. 882Robotics

    Surgical WAM: A World-Action Model for Data-Efficient Surgical Robot Learning

    • 동작 라벨 없는 내시경 비디오로 먼저 수술 장면의 시각적 역학을 학습한 뒤, 동작 라벨이 있는 소량 데이터로 미세 조정하는 2단계 학습법을 제안했다.
    • 4개 SurRoL 벤치마크 작업에서 비디오 사전학습으로 평균 성공률 63.5% → 77.8% 향상을 달성했다.
    • PegTransfer 작업에서 20%p 절대 향상(66% → 86%), 특히 접촉이 많고 양손 협력이 필요한 작업에서 효과가 컸다.
    • 비디오 사전학습 모델이 절반의 미세조정 단계로 더 높은 성능에 도달해 학습 효율도 크게 개선했다.
    • 실제 수술 로봇 데이터(JIGSAW)에서도 같은 경향이 확인돼, 시뮬레이터의 산물이 아닌 진짜 효과임을 입증했다.
  30. 881Robotics

    Flex-$π$: A Multi-Stream World-Action Model with Compute Flexibility

    • 비디오 생성 모델의 VAE가 RGB뿐 아니라 3D 포인트맵도 거의 손실 없이 인코딩한다는 '공짜 점심'을 발견했다.
    • RGB, 3D 깊이, DINO 객체 특징을 공유 잠재 공간에서 함께 예측하는 다중 스트림 세계-행동 모델을 구축했다.
    • 학습 시 무작위로 모달리티를 빼서('스트림 드롭아웃') 하나의 체크포인트가 추론 시 어떤 조합에서도 작동하게 했다.
    • 로봇 작업(RoboTwin)에서 적은 데이터(50 demo)일 때 기존 WAM 대비 1.9배, 실제 양팔 로봇에서 2~7배 성공률을 기록했다.
    • action-only 모드에서 π0.5보다 빠르면서도 더 높은 성공률을 달성했다 (약 60ms).

연구에서 제품 적용까지

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

보유기술 보기