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.
- 880AI / General
Why Does CLAUDE.md Keep Growing? Catastrophic Remembering in Agentic Coding
- 1,867개 GitHub 저장소의 247,694개 지시문을 추적해 에이전트 프롬프트가 평생 +226% 성장하고 삭제 확률은 낮아지기만 한다는 것을 입증했다.
- 원인은 '불완전한 회상': 지시문을 추가한 이유가 사라지면 안전하게 삭제할 수 없어 추가만 계속된다 (O(2^|D|) 복잡도).
- 76.8%의 지시문 삭제가 전체 파일을 밀어버리는 한 번의 커밋에서 발생한다. 즉 개별 삭제는 거의 일어나지 않는다.
- 프롬프트에 '왜 이 지시가 필요한지' 주석을 달면 불필요한 지시를 99.3% 제거할 수 있다 (+211.3% → +1.4%).
- 실제 WildIFEval 벤치마크에서 프롬프트 주석이 지시 수행 정확도를 최대 23.1% 향상시켰다.
- 879AI / General
ComBodied Agents: a New Paradigm of Human-Centric Agentic AI
- 디지털 에이전트와 로봇 에이전트의 이분법을 넘어, 인간 상태 궤적 자체를 1차 모델링 대상으로 삼는 'Combodied Agents' 패러다임을 제안했다.
- 다중 모달 인식 → 장기 기억 → 개인 세계 모델 → 적응적 개입 정책 → 피드백의 통합 폐루프를 설계했다.
- 인간 디지털 트윈과의 차이점을 명확히 구분했다: 목적에 맞춘 불확실성 인식 표현을 사용하며, 완전한 복제를 요구하지 않는다.
- 엣지 네이티브 개인 모델, 시나리오 중심 평가, 자율성 보존 지표, 거버넌스 방향을 포함한 전 설계 공간을 정리했다.
- AI가 작업을 대신하는 것(대체)이 아니라, 인간의 능력과 판단력을 키우는 것(향상)을 성공 기준으로 삼아야 한다고 주장한다.
- 878AI / General
Full-bandwidth transformer
- 이전 토큰의 최상위 숨은 상태 전체를 다음 입력으로 주입하는 '잠재 피드백 디코딩'을 도입했다.
- 표준 트랜스포머 구조와 KV 캐시를 그대로 유지하면서 추가 추론 비용은 1% 미만이다.
- 1B 파라미터, 400B 토큰 학습에서 검증 손실, 수학/코딩 생성, 명령어 수행 등에서 일관된 향상을 보였다.
- 동일한 성능을 위해 훈련 토큰을 약 1.5배 절약할 수 있으며, 일부 작업에서는 5배 토큰 학습 모델에 근접했다.
- 잠재 피드백을 켜면 추론 흔적(생각 과정)이 더 짧아지면서도 정확도는 유지되거나 향상됐다.
- 877Computer Vision
Beyond Pixels: From Video Priors to 4D Worlds
- 비디오 생성 모델의 VAE 잠재 표현을 4D 디코더에 직접 연결하는 Latent-to-4D 프레임워크를 제안했다.
- RGB 이미지를 생성하는 단계를 건너뛰어 정보 손실과 오류 누적을 방지했다.
- 약 1,000개의 기존 복원 클립으로 학습해, 하나의 체크포인트로 여러 비디오 생성기에 재사용 가능하다.
- Text4D-200 벤치마크에서 DINO-F1 2.88~3.45점 향상, I4D-200에서 5.81점 향상을 달성했다.
- 인간 평가에서 기하학적 타당성, 완전성, 시간적 안정성 모두에서 기존 방식을 능가했다.
- 876Neural Networks
BDH-CQ: In-Context Learning with Recurrent Latent Reasoning
- 토큰(글자)을 출력하지 않고 숨은 상태 공간에서 반복적으로 추론하는 '잠재 추론' 방식을 제안했다.
- 150M 파라미터라는 매우 작은 모델로 ARC-AGI-1 29.5% 정답률을 달성했다 (task당 $0.0007).
- 기존 최고 성능 시스템 대비 비용을 1000분의 1 수준으로 줄이면서도 새로운 비용-정확도 기준을 세웠다.
- 시연 예시만으로 새로운 변환 규칙을 학습하는 문맥 학습 능력과, 색상 매핑·경계 전파·회전 등의 조합 실험을 통해 강점과 한계를 체계적으로 분석했다.
- 1조 파라미터까지 자연스럽게 확장 가능한 아키텍처를 설계했으며, 초기 실험에서 트랜스포머급 스케일링 법칙을 확인했다.
- 875LLMs / NLP
Evo-Bench: Can Language Models Improve Agent Harness?
- LLM이 에이전트 하네스(실행 코드)를 자율적으로 개선하는 능력을 평가하는 최초의 벤치마크를 만들었다.
- 하네스 민감도 기반 과제 선정과 검증/평가 분할로 과적합을 방지하는 엄격한 설계를 도입했다.
- 9개 프론티어 모델 평가에서 최고 16.6점 향상, 사람 설계 베이스라인에 근접했다.
- General 영역에서는 자율 진화가 사람 설계를 능가했지만 Office 워크플로우에서는 한계를 보였다.
- 진화된 하네스가 다른 정책 모델에도 이전 가능한 추론 구조로 작동함을 확인했다.
- 874AI / General
Matryoshka Language Model Suites
- 여러 크기의 하위 모델을 단일 중첩 구조로 end-to-end 학습하는 Matryoshka 프레임워크를 제안했다.
- 학습 총 연산을 36% 줄이면서도 독립 학습 대비 동등한 성능과 검증/외부 퍼플렉서티를 달성했다.
- 가장 큰 모델에서 작은 모델로 매 스텝 무료 증류가 자동으로 이루어진다.
- 중첩된 드래프트 모델로 추상적 디코딩 처리량을 14-26% 향상했다.
- 너비/깊이 설정, junction 메커니즘, 증류 손실의 중요성을 광범위한 ablation으로 입증했다.
- 873Computer Vision
Sci-VBench: Evaluating Knowledge- and Reasoning-Intensive Video Generation in Science Domains
- 4개 학문 분야(자연과학, 의료, 인문사회, 공학) 60개 과목의 1,253개 전문가 주석 비디오 생성 과제를 구축했다.
- 전문가 작성 평가 루브릭과 단계별 채점 기준(1-5점)을 모든 예제에 제공했다.
- 비전문가 평가자도 루브릭을 받으면 전문가와 높은 일치(Cohen's κ = 0.842)를 보였다.
- 16개 프론티어 모델 평가 결과 시각 품질은 비슷하지만 과학적 정확성에서 큰 격차를 발견했다.
- 프롬프트 개선으로 일부 향상되지만 시공간 일관성 한계는 생성기 자체의 문제임을 밝혔다.
- 872AI / General
Rethinking Self-Evolving Agents: Do We Still Need Prescribed Optimization Pipelines?
- 프레임워크가 정한 개선 절차(최적화 메타정책)의 필요성을 최초로 체계적으로 질문했다.
- GPT-5.5 기반 OEO가 SKILLOPT·GEPA 두 파이프라인 대비 14회 중 12승 1무 1패를 기록했다.
- OEO는 SKILLOPT 대비 중앙값 34.3%의 토큰만 사용해서 효율성을 입증했다.
- 중간급 모델에서는 정해진 파이프라인이 더 좋아서, 모델 능력에 따른 적응적 분업 경계를 확인했다.
- 정해진 절차는 최적화 경로를 더 일관되게 만들지만 최종 행동의 차이보다 경로 차이가 큼을 밝혔다.
- 871Computer Vision
Unveiling the Secret of AdaLN-Zero in Diffusion Transformer
- adaLN-Zero의 성능 향상 요인을 SE 구조, 영 초기화, 점진적 갱신 세 가지로 분해해서 분석했다.
- 영 초기화가 가장 중요하며, 학습 후 조건 변조 가중치들이 가우시안 분포를 따르는 것을 발견했다.
- 가우시안 분포로 초기화하는 adaLN-Gaussian을 제안해 분석을 검증하고 실용적 이득을 얻었다.
- SE 구조에서 영감을 얻은 SE-adaLN-Zero로 추가 성능 향상을 달성했다.
- ImageNet1K 등 4개 데이터셋에서 일관된 개선과 일반화를 확인했다.
- 870Machine Learning
Privileged Solutions or Context-Induced Teacher Behavior? Dissecting On-Policy Self-Distillation
- OPSD의 이득이 '정답 전달'인지 '컨텍스트 유도 행동'인지 구분하는 통제 실험(OP2SD)을 설계했다.
- 정답 대신 다른 수학 문제의 풀이를 선생님에게 줘도 OPSD와 비슷한 성능 향상이 나타났다.
- 수학이 아닌 물리 문제를 컨텍스트로 주면 효과가 떨어져서, 컨텍스트의 도메인 일치가 필요함을 밝혔다.
- 세 Qwen3 모델(1.7B, 4B, 8B)과 AIME/HMMT 벤치마크에서 일관된 패턴을 확인했다.
- OPSD를 '특권 정보 전달'로만 해석하면 안 되며 컨텍스트 유도 행동도 중요한 요인임을 입증했다.
- 869Computer Vision
Perception Before Supervision: Self-Contained Visual Distillation from Counterfactual Blind Spots
- 외부 모델, 주석, 도구 없이 모델 자체의 반사실 응답만으로 시각적 맹점을 찾아내는 3단계 검증 기준을 제안했다.
- 맹점 영역을 확대한 뷰(긍정 교사)와 제거한 뷰(부정 교사)로 대비 증류를 수행했다.
- Qwen3-VL-8B에서 12개 벤치마크 모두 향상, 단일 회귀도 없음을 확인했다.
- OCRBench +3.60, MMStar 세밀 지각 +3.38, 논리 추론 +3.08 향상을 기록했다.
- 외부 GPT-4o 감독에 의존하는 6개 자기진화 베이스라인을 모두 능가했다.
- 868Computer Vision
World Tokens: Enhancing Embodied Policies with Training-Time World Modeling
- 비디오 세계 모델을 훈련 시에만 사용하고 배포 시 제거하는 World Tokens 아키텍처를 제안했다.
- World Adapter가 VLM 특징을 256개 토큰으로 변환해 비디오 예측과 행동 생성을 모두 조건 지었다.
- 행동 전문가가 VLM 전체 시퀀스를 직접 보지 못하게 해 세계 모델 감독을 우회할 수 없게 했다.
- 2B 모델로 LIBERO 98.2%, SIMPLER-WidowX 71.5%, SIMPLER-GoogleRobot 82.1%을 달성했다.
- 실제 R1 Pro 로봇에서 매칭 베이스라인 대비 성공률을 59.4% → 76.0%로 향상했다.
- 867AI / General
Mismatch Matters: On-Policy Distillation Beyond Token Agreement
- 학생이 반복문으로 선생님과 높은 토큰 일치도를 속이는 '퇴화 합의(degenerate agreement)' 현상을 발견했다.
- 학생 과잉 토큰(선생님이 0에 가깝게 평가)과 결손 토큰(선생님이 원하지만 학생이 안 만듦)을 구분했다.
- Hellinger 거리 기반 bounded suppression으로 과잉 토큰을, 분석적 top-K 주입으로 결손 토큰을 교정하는 TIDE를 제안했다.
- 강한 선생님-학생 불일치 상황에서 Avg@8을 6.9% → 20.3%로 끌어올렸다.
- 평균 응답 길이를 3.6배 줄이면서 포맷 실패도 대폭 감소시켰다.
- 866Robotics
XPolicyLab: A Unified Standard and Open Ecosystem for Robot Policy Evaluation and Deployment
- 로봇 정책-환경 연결 비용을 O(NM)에서 O(N+M)로 줄이는 통합 표준을 제안했다.
- 42개 로봇 정책(VLA, WAM, 모방학습 등)을 하나의 인터페이스로 통합했다.
- 정책 서버와 환경 클라이언트를 소프트웨어 의존성별로 격리하는 구조를 만들었다.
- 새 정책 적응 시간을 5시간 이상에서 30분(패키지 스킬 사용 시)으로 단축했다.
- RoboTwin, RoboDojo 시뮬레이션 및 실제 로봇 평가를 하나의 어댑터로 지원한다.
- 865Robotics
RynnValue: Scaling Robotic Value Foundation Models with Temporal Distance
- 보상 모델의 감독 대상을 진행도에서 '시간적 거리(목표까지 cost-to-go)'로 바꿔 선호도 라벨 없이 확장 가능하게 했다.
- 7,000시간, 약 300만 클립의 이질적 로봇 데이터로 학습했다.
- 시간 순서 섞기와 값 격리 어텐션으로 모델이 학숫값에만 의존하지 않게 했다.
- 선호도 라벨을 쓴 기존 최고 모델(0.655)을 0.675로 넘어섰다.
- 실제 로봇 RL에서 온라인 52.5%→72.5%, 오프라인 63.8%→82.5% 성공률 향상을 달성했다.
- 864Computer Vision
Learning How the World Evolves: Extrapolative Video World Models via Latent Dynamics Reasoning
- 잠재 공간에서 운동 법칙을 명시적으로 추론하는 최초의 비디오 세계 모델(LDR)을 제안했다.
- 저차 미분은 수치 적분, 고차 잔여만 모델이 예측하는 구조로 물리 법칙 학습을 강제했다.
- 비디오 확산 모델 대비 26배 적은 매개변수, 143배 빠른 속도로 동작한다.
- 훈련 분포 내-외부 오차 격차가 20배 이상 작아 외삽 능력이 압도적이다.
- 색깔, 형태, 방향이 바뀌어도 학습한 역학을 정확히 일반화함을 보였다.
- 863Computer Vision
Sekai2: From World Exploration to Interactive World Modeling
- 2,826시간, 128,892클립, 113개국의 실세계 영상에 카메라 궤적과 계층적 주석을 함께 제공했다.
- 피사체 이동, 환경 변화, 정적 장면, 카메라 행동을 분리한 649,597개 시간 단위 세그먼트를 만들었다.
- 982개의 360도 파노라마 재방문(루프) 영상으로 장거리 공간 일관성 학습 감독을 제공한다.
- 카메라 주석과 독립적으로 생성된 캡션이 실제 카메라 움직임과 정렬됨을 교차 검증했다.
- 비디오 생성, 카메라 제어, 인터랙티브 세계 모델 사전학습용 확장 가능한 데이터 기반을 제공한다.
- 862AI / General
Motif 3: Technical Report
- 384개 전문가 중 토큰마다 8개만 선택하는 초세밀 MoE 구조로 용량은 늘리고 연산은 줄였다.
- Grouped Differential Latent Attention(GDLA)으로 노이즈 억제와 KV 캐시 압축을 동시에 달성했다.
- 12.5조 토큰으로 사전학습하고 다중 교사 온폴리시 증류(MOPD)로 다양한 능력을 하나로 통합했다.
- 256K 컨텍스트 길이를 지원하며 MXFP8 정밀도로 대규모 학습을 안정화했다.
- 오픈웨이트 모델 중 에이전트 과제, 수학 추론, 과학 지식에서 경쟁력 있는 성능을 보였다.
- 861Machine Learning
Macaron-V1: Towards Open Continual Learning with Self-Improvement and Mixture-of-LoRA
- Mixture-of-LoRA 구조로 베이스 모델은 고정하고 턴마다 전문가 어댑터(chat, agent, coding, GenUI)를 선택하는 시스템을 만들었다.
- 모델-하네스 공동 설계와 재귀적 자기개선 루프로 배포 후에도 지속 학습하는 프레임워크를 제안했다.
- 744B GLM-5.2 베이스 기반 Venti 모델과 50B Qwen3.6 기반 Tall 모델을 공개했다.
- UI4A라는 컴포넌트 네이티브 GenUI 하네스와 MindForge라는 에이전트 RL 프레임워크를 개발했다.
- Personal Intelligence, GenUI, 일반 능력 벤치마크에서 프론티어 모델들과 경쟁하는 성능을 보였다.
- 860Robotics
JEPA-WAM: Learning Vision-Language-Action Policies with Joint-Embedding World Modeling
- 미리 학습된 V-JEPA 표현 공간에서 비디오를 직접 생성하지 않고 현재와 미래의 공간 구조 관계를 예측하는 잠재 세계행동 모델을 제안했다.
- 전이 예측과 연속 행동 생성을 하나의 예측기에 묶어 미래 감독 신호가 행동 표현을 만드는 핵심 구조를 직접 다듬게 했다.
- LIBERO-Plus에서 사전 로봇 정책 학습이 없는 설정은 79.2%, π0.5에 결합한 설정은 86.3%로 각각 가장 높은 결과를 냈다.
- RoboTwin 2.0과 실제 양팔 로봇에서도 시각·공간 조건 변화에 대한 일반화를 보여 비디오 생성 비용 없이 로봇 제어에 적용할 가능성을 보였다.
- 전이 목표가 언어와 무관한 공통 시각 구조를 배우므로 같은 장면에서도 지시에 따라 미래가 크게 달라지는 과제에는 표현력이 부족할 수 있다.
- 859LLMs / NLP
SWE-Bench ProMax: Benchmarking Agents on Large-Scale Multilingual Code Refactoring
- 기존 벤치마크의 60%가 불량 테스트(너무 좁거나 너무 넓음)를 가지고 있다는 문제를 정량적으로 드러냈다.
- 7개 프로그래밍 언어(Python, Java, TypeScript, Go, C, C++, Rust)를 아우르는 다언어 리팩토링 벤치마크를 구축했다.
- 평균 11.4개 파일, 261.6줄 코드 수정이 필요한 대규모 작업으로 기존 대비 3배 이상 복잡하다.
- GLM-5가 Claude Sonnet 4.6과 비슷한 성능을 1/20 비용으로 달성하는 등 오픈모델의 가성비를 보였다.
- 실패 패턴 분석을 통해 '건드려야 할 파일을 충분히 수정하지 못하는 것'이 주요 실패 원인임을 밝혔다.
- 858AI / General
Stealing Reasoning Traces from Proprietary LLM APIs
- 암호화된 추론 블록이 세션·사용자·모델 간에互환 가능한 근본적 설계 취약점을 발견했다.
- 강한 모델의推論을 약한 모델로 '해독'시키는 크로스모델 공격 기법을 OpenAI·Anthropic·Google에 대해 실증했다.
- 공개된 개발자 로그에서 62개의 API 키, 33개의 비밀번호, 30개의 이메일 등 실제 민감 정보를 복원했다.
- 암호화 블록을 통한 보이지 않는 프롬프트 인젝션 공격 벡터도 추가로 확인했다.
- 암호화 방식의 근본적 한계를 지적하며, 벤더와 사용자 양쪽을 위한 구체적 완화 방안을 제안했다.
- 857LLMs / NLP
Benchmarking the Benchmarks: Evaluating Benchmarks for Conversational Agents
- 대화형 에이전트 벤치마크의 일관성, 복잡도, 정책 커버리지를 참조 없이 평가하는 LLM 판사 기반 프레임워크를 제안했다.
- 다양한 성능의 LLM으로 생성한 벤치마크를 활용해 검증했다. 능력이 다른 LLM이 만든 벤치마크 품질 차이를 일관되게 구분했다.
- 의도적 품질 저하를 가한 벤치마크에서도 지표가 예상대로 품질 하락을 감지했다.
- 사람 주석과의 상관관계 검증에서 중-강 수준의 통계적으로 유의한 상관을 보였다.
- 수동으로 큐레이션한 벤치마크(τ3-bench)에도 적용해 실용성을 입증했다.
- 856Computer Vision
UniJEPA: A Unified Joint-Embedding Predictive Architecture for Task-Agnostic Visual World Modeling
- 이미지 수준 변환 예측과 비디오 수준 시간 예측을 하나의 잠재 공간에서 통합 학습하는 단일 목적 함수를 제안했다.
- EMA, stop-gradient, 사전 학습된 인코더 없이 end-to-end 학습이 가능하며, Gaussian 정규화로 표현 붕괴를 수학적으로 방지한다.
- 광도 예측은 불변 구조를, 시간 예측은 등변 동역학을 학습하며, 둘 사이의 비중을 조절해 추상화 수준을 제어할 수 있다.
- ImageNet, Something-Something-v2, Epic-Kitchens, 제어 벤치마크에서 개별 JEPA 대비 동급 이상의 성능을 달성했다.
- 액션 조건부 후학습 후 제로샷 계획이 가능하며, 생성형 세계 모델 대비 최대 수십 배 빠른 속도로 계획을 수립한다.
- 855Software Engineering
Self-Evolving Coding Agents
- '자기 진화 코딩 에이전트'를 일반 코딩 에이전트 및 범용 자기 진화 에이전트와 구분하여 명확히 정의했다.
- 진화 대상을 6가지로 분류: 프레임워크, 메모리, 스킬·도구, 모델, 워크플로우·토폴로지. 이 분류를 object-centered taxonomy라 부른다.
- 진화 시점(과제 중, 과제 후, 단계별)과 소프트웨어 특유 증거(실행 피드백, 저장소 컨텍스트, 코딩 궤적)를 보조 축으로 추가했다.
- 실행 가능한 피드백, 저장소 수준 컨텍스트, 코딩 궤적이 소프트웨어 엔지니어링을 에이전트 자기 진화의 '천연 도메인'으로 만든다고 분석했다.
- 과제: 피드백 신뢰성, 벤치마크 오버핏, 안전성, 유지보수성, 비용, 일반화. 논문 리스트를 GitHub에 공개했다.
- 854Machine Learning
Modular TTT: Rethinking Test-Time Training as Composable Modules
- TTT 내부 학습기를 DAG로 표현해 손실 함수, 학습률, 가중치 감쇠, 정규화 등을 독립적으로 조절 가능한 모듈형 프레임워크를 만들었다.
- 작은 학습률 초기화, 가중치 감쇠, 단층 비선형성(SiLU)이 일관된 성능 향상을 가져왔다.
- 반면 깊은 fast-weight 네트워크와 정규화는 활성화 값이 너무 커져서 오히려 성능을 해쳤다. 잔차 연결이나 게이팅은 효과가 미미했다.
- 최적 변형으로 410M, 1.45B 모델을 100B 토큰으로 학습해 Gated DeltaNet과 동급의 성능을 달성했다.
- ByteDance에서 개발했으며 최적화 구현체를 공개해 기존 TTT 대비 학습 처리량을 여러 배 향상시켰다.
- 853Computer Vision
SimWAM: A Simple World Action Model for End-to-End Autonomous Driving
- 비디오 생성을 학습 시그널로만 쓰고 추론 때는 제거하는 'SimWAM' 구조를 제안했다. 실시간 비디오 생성이 필요 없어져서 추론이 빠르다.
- 비디오 전문가와 행동 전문가가 파라미터를 공유하지 않아, 비디오 모델을 더 좋은 것으로 교체하거나 행동 모델을 키우기 쉽다.
- NAVSIM 벤치마크에서 91.5 PDMS 달성. 기존 세계-행동 모델 기반 플래너보다 좋은 성능이면서 추론 지연은 크게 낮다.
- 강화학습(GRPO)을 추가로 적용해 궤적 모방을 넘어 복합적인 주행 보상을 최적화했다.
- nuScenes 데이터셋에 제로샷으로 전-transfer 가능하여 범용성도 확인했다.
- 852AI / General
SkillProx: Self-Evolving Agent Skills via Proximal Textual Gradient Descent
- 스킬 수정을 '순방향-역방향' 최적화로 정식화했다. 순방향은 진단→수정→실행으로 검증하고, 역방향은 지식 단위별 유용성을 평가해 통합·삭제한다.
- 수정 후 같은 과제에 다시 실행해보고 성능이 나빠지면 롤백하는 '결과 기반 검증 루프'를 도입했다.
- 역방향에서 leave-one-out(하나씩 빼보기) 방식으로 각 지식 단위의 기여도를 측정해, 안 좋은 지식을 제거하니 정확도가 46%에서 54%로 올랐다.
- 3개 백본 LLM에서 기존 최고 방법론 대비 평균 3.0%p 정확도 향상을 달성했다.
- 단순히 스킬을 키우기만 하는 기존 방식과 달리, '무엇을 버릴 것인가'를 명시적으로 다룬 것이 핵심 차별점이다.
- 851Computer Vision
Addressable Memory for Video World Models
- 비디오 세계 모델의 장기 기억 실패 원인이 위치 인코딩(RoPE)의 분포 이탈이라는 점을 정확히 진단했다.
- WorldTrace: 각 메모리 요약에 학습 범위 내의 가상 위치를 부여해, 추가 학습 없이 메모리 접근성을 복원하는 프레임워크.
- WorldTrace-Field는 시간적 일관성을 +15.5% 개선하고, WorldTrace-Landmark는 이전 장면 회상을 +19.5% 향상시켰다.
- LoopBench: 긴 우회 후 원래 장면으로 돌아왔을 때 복원할 수 있는지 측정하는 새로운 벤치마크를 제안했다.
- NVIDIA에서 개발했으며, 별도의 재학습 없이 기존 모델에 바로 적용할 수 있다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기