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. 790Computer Vision

    FlexComposer: Unified Video Compositing from Images to Dynamic Footage with Flexible Trajectory Control

    • 정지 이미지와 동적 영상을 동일한 프레임워크에서 처리하는 통합 비디오 합성 프레임워크를 제안했다.
    • 전경의 본래 움직임과 전역 이동을 분리하는 '통일 정규화 전경 표현'으로 이질적 입력을 표준화했다.
    • VAE 잠재 공간의 평행 이동 등변성을 활용한 '공간 인식 잠재 주입'으로 추가 학습 모듈 없이 정밀한 궤적 제어를 구현했다.
    • 시뮬레이션 + 실제 영화 영상 + 생성 데이터를 결합한 하이브리드 데이터셋과 합성→실제 커리큘럼으로 조명과 그림자를 자연스럽게 학습했다.
    • 시각 품질, 시간적 일관성, 궤적 준수에서 기존 최고 성능 방법들을 능가했다.
  2. 789LLMs / NLP

    SkillSmith: Learning to Compose Parametric Skills and Textual Knowledge

    • 모델 가중치(prefix-cache)를 텍스트와 동급의 모달리티로 취급해서 LLM이 둘을 함께 읽고 추론할 수 있게 했다.
    • SkillSmith는 소스 태스크의 가중치 + 텍스트 메타데이터 + 목표 설명을 입력받아, 목표에 맞는 새 prefix 가중치를 직접 합성해 낸다.
    • Composite SNI라는 합성 데이터셋을 새로 구축해서, 두 태스크의 기술을 조합해야 하는 새로운 태스크에서 텍스트+가중치 조합의 효과를 검증했다.
    • 4B Gemma 3 기준으로 텍스트만, 가중치만 쓰는 모든 베이스라인을 뛰어넘었고, MMLU-ProX에서는 다운스트림 파인튜닝 기반 방법들도 이겼다.
    • 검색기반 접근으로 정확한 소스 매핑 없이도 노이즈가 있는 환경에서 관련 신호를 추출해 효과적으로 가중치를 합성할 수 있음을 보였다.
  3. 788Robotics

    WCM: A World Critic Model for Vision-Language-Action Reinforcement Learning

    • 기존 VLA 강화학습의 critic이 단일 프레임만 사용하는 근본적 한계를 '상태 근사 문제'로 정의하고, 스칼라 값 회귀로는 시간적 구조를 학습할 수 없음을 밝혔다.
    • WCM은 LeJEPA 구조에서 미래 잠재 상태 예측과 가치 추정을 동시에 수행해서, critic의 표현이 시간적 역학을 포착하도록 명시적으로 훈련된다.
    • π0, π0.5, OpenVLA-OFT 등 최신 VLA 백본과 모두 호환되며, on-policy와 off-policy 훈련 모두에 통합 가능하다.
    • 4개 벤치마크 149개 작업에서 일관되게 최고 성능을 달성했고, 특히 분포 외(OOD) 일반화에서 큰 이득을 보였다.
    • 7개 실제 로봇 조작 작업에서 OpenVLA-OFT와 π0.5 기반 off-policy RL로 안정적인 성능을 확인했다.
  4. 787Robotics

    ST-WAM: Semantic-Temporal World Action Model for Robust Manipulation under Visual Distribution Shifts

    • 기존 월드 액션 모델이 시각적으로 낯선 환경에서 학습 데이터의 장면을 환각하는 '학습분포 환각' 현상을 발견하고, 180건 검사에서 70.6%가 이 현상을 보이는 걸 확인했다.
    • DINOv3 특징이 VAE 잠재 표현보다 시각 변화에 강하면서도 작업 상태를 잘 구분한다는 걸 290개 프레임 삼중항 실험으로 증명했다.
    • 이중공간 미래 전문가(DSFE)로 VAE와 DINO 공간을 동시에 예측하고, 현재-닻징 의도 검색(CAIR)로 최근 DINO 기록에서 작업 관련 증거를 찾아냈다.
    • LIBERO 98.7%, RoboTwin 2.0 92.8%를 달성했고, 시각 변형 환경(LIBERO-Plus)에서 기존 Fast-WAM 대비 +21.3%p, 실제 로봇 성공률을 25.8%에서 61.5%로 끌어올렸다.
    • 추가 사전학습이나 작업별 주석 없이 end-to-end로 훈련되며, 추론 시 explicit 미래 생성이 필요 없어 효율적이다.
  5. 786Computer Vision

    Scaling Properties of Text Conditioning in Visual Generation

    • 자연어 프롬프트는 길어져도 정보가 늘지 않아 화질 개선이 멈추지만, 구조화된 프롬프트는 정보가 계속 추가되면서 선형적으로 화질이 좋아진다는 걸 증명했다.
    • GPG(이미지-텍스트 정합도)와 ED(속성 정밀도)라는 두 가지 정보량 측정법을 도입해서 확산 손실과의 관계를 수학적으로 수치화했다.
    • LLM 프롬프터를 SFT + 콜드스타트 + 검증기 기반 강화학습으로 훈련해서, 사용자의 짧은 요청을 정보가 풍부한 구조화된 프롬프트로 자동 변환하는 시스템을 만들었다.
    • 최종 시스템이 구성·추리·세계지식 벤치마크에서 평가한 모든 오픈소스 모델을 능가했고, 폐쇄형 최상위 모델과도 맞먹거나 더 좋은 성능을 냈다.
    • 정교한 편집(객체 이동, 재질 변경, 장면 교체)이 구조화된 프롬프트의 필드 수정만으로 가능해졌다.
  6. 785AI / General

    MANTA: Multi-Agent Network Topology Adaptation for Self-Evolving Multi-Agent Systems

    • 통신 구조(토폴로지)를 실행 전에 고정하지 않고, 작업 풀면서 실시간으로 바꾸는 '구조적 자기개선'을 제안했다.
    • 작업 시작 전 과거 경험에서 배운 구조를 재사용하고, 실행 중 문제가 생기면 부분적으로 수정한다.
    • 5개 벤치마크에서 평균 74.0점으로, 기존 최고 성능 대비 5.8%p 높았다.
    • 에이전트 수를 무작정 늘리는 게 아니라, 연결을 다시 배선하거나 검증 단계를 추가하는 식으로 구조를 개선했다.
    • 메타 수준 연산(구조 계획·수정)이 전체 토큰 사용량의 약 12%에 불과해 효율적이다.
    • 토큰 사용량도 멀티에이전트 시스템 중 가장 낮았다.
  7. 784LLMs / NLP

    EMBL AI Librarian: Life-Sciences Knowledge Layer for AI Agents

    • Europe PMC(4000만 건) 위에 AI 에이전트용 자연어 지식 계층을 구축했다.
    • LLM 1개가 검색 쿼리 계획 → 실행 → 논문 파싱 → 증거 스니펫 추출까지 전 과정을 오케스트레이션한다.
    • dense vector DB(744GB 필요) 없이 live 검색으로 처리해서 인프라 비용을 크게 줄였다.
    • ScholarQA-Bench Citation F1 +16점, LitQA2 정확도 GPT-5.4+웹(70.3) → GPT-5.4+Librarian(78.9).
    • ProClaim 검증 파이프라인에 적용 시 전문가 합의와의 일치도 +5점 향상. 코드 공개.
  8. 783Machine Learning

    Flux-OPD: On-Policy Distillation with Evolving Contexts

    • 오픈엔디드 도메인에서 '진화하는 컨텍스트'를 훈련 내 감독 신호로 활용하는 Flux-OPD를 제안했다.
    • reverse KL 분해를 통해 학생이 기하평균 교사로 증류됨을 보이고, 충돌 항(conflict term)을 정의했다.
    • 컨텍스트 보정 전략: 불안정한 컨텍스트 교사를 직접 타겟으로 안 쓰고, 안정적인 기준 교사에 차이 신호만 주입한다.
    • 충돌 항을 가중치 지표로 써서, 컨텍스트 간 일치할 땐 강하게, 충돌할 땐 약하게 교정한다.
    • HealthBench 19.63→20.61, VBench(1.3B) 81.48→82.26 달성. 3회 독립 실행에서 일관된 우위 확인.
  9. 782LLMs / NLP

    Harness-G: A Graph-Structured Harness for Search Agents

    • '검색 동등성 붕괴(retrieval-equivalence collapse)' 현상을 발견했다. 훈련이 진행될수록 다른 쿼리가 같은 정보만 가져오게 된다.
    • 자유 형식 쿼리 생성을 그래프 기반 유한 액션 선택(Select/Lookup/Answer)으로 대체했다.
    • Structured Non-myopic Credit(SNC)으로 같은 상태의 대안 액션들과 비교해서 크레딧을 할당한다.
    • Graph-R1 대비 F1 평균 +10.74점(1.5B), +3.98점(3B). 6개 QA 벤치마크에서 최고 성능.
    • 그래프 구축 비용 $0(프로그램 방식)으로, LLM 기반 그래프 구축($2.81~$4.14)보다 훨씬 저렴하다.
  10. 781AI / General

    Correcting What You Cannot See: Credit Assignment for Perception Distillation in Multimodal Reasoners

    • 멀티모달 증류에서 '인식 실패'와 '추론 실패'를 분리하는 크레딧 할당 문제를 정식화했다.
    • 하위 실패율(1-PSR)과 교사-학생 불일치(KL)를 곱하는 soft AND 게이트로, 두 신호가 모두 있을 때만 교정 강도를 높인다.
    • 인식과 추론 롤아웃을 분리(separated rollout)해서 인식 구간만 증류, 추론 구간은 RL로 그대로 둔다.
    • 32B→8B 이동 시 8개 벤치마크 평균 56.94→61.22(+4.28점), 8B→2B 시 44.50→47.28(+2.78점).
    • PCD 가중치 제거 시 2.22점 하락, 분리 롤아웃 제거 시 0.88점 하락(어블레이션 검증).
  11. 780Machine Learning

    Explorative Modeling: Unlocking a Third Pretraining Axis and End-to-End Generation

    • 생성 모델 훈련에서 '탐색(exploration)'이라는 제3의 스케일링 축을 발견했다. 파라미터·데이터에 더해 탐색량을 키울수록 성능이 올라간다.
    • FLOP 효율 4.1배, 샘플 효율 6.2배, 파라미터 효율 47% 향상. 데이터가 클수록 효과도 커져서 7%→36%까지 상승한다.
    • ImageNet 256×256에서 guidance 없이 FID 1.43으로 준최고성능(SOTA 근접)을 달성했다.
    • 엔드투엔드 생성 모델(추론이 훈련과 동일)이 가능해져, 디퓨전 대비 16~256배 적은 스텝으로 비슷한 성능을 낸다.
    • 탐색량이 컬수록 일반화(generalization)도 함께 향상되는 현상을 관찰했다.
  12. 779AI / General

    Qwen-UI-Agent Technical Report: Toward Next-Generation Real-World Centric Foundation GUI Agents

    • 100대 이상 실제 스마트폰, 150개 이상 앱으로 구성된 실기기 모바일 환경에서 학습 및 평가한다.
    • GUI + CLI 혼합 액션 공간으로 한 턴에 여러 액션을 배치 처리(40% 이상이 배치 액션).
    • 100턴 이상 장기 작업을 위한 online RL, 10,000개 동시 환경으로 롤아웃 가속.
    • 모바일 82.1%(MobileWorld), 컴퓨터 79.5%(OSWorld-Verified), 브라우저 73.6%(WebArena).
    • 알림 기반 자발적 서비스 시작, 모바일-PC 크로스 플랫폼 워크플로우를 지원한다.
  13. 778Computer Vision

    ReToken: One Token to Improve Vision-Language Models for Visual Retrieval

    • VLM의 어텐션(쿼리-키) 점수는 시각 정보 검색에 부적합함을 발견했다. 평균 recall@1 단 5.1%.
    • 학습 가능한 단일 토큰(ReToken)을 추가하여 '값 공간'에서 관련 프레임을 명시적으로 검색한다.
    • Visual Haystacks에서 Qwen3VL-8B +13.4점, InternVL3.5 +12.4점 (상대적 20% 이상 향상).
    • 이미지 QA로만 학습했어도 긴 비디오에 제로샷 전이되어 LVBench +8.0점 향상.
    • H100 1장으로 학습+추론 가능한 경량 설계. 검색 단계 추가 지연은 약 0.4초.
  14. 777Computer Vision

    VideoCoCo: Code-as-CoT for Physically-Consistent Video Generation via an Agentic Dual-Engine System

    • 실행 가능한 코드(Blender)를 '과정 수준의 사고 과정'으로 사용하여 물리적 일관성을 확보했다.
    • 코드 에이전트가 장면을 프로그래밍하고 시뮬레이터로 초안 비디오를 렌더링한 뒤, 비디오 편집기가 사실적으로 합성한다.
    • VideoCoCo-3K 데이터셋(초안-지시-타겟 쌍)을 구축하여 편집기 적응 학습에 활용했다.
    • PhyGenBench 0.475→0.558(최고), VBench-2.0 52.18%→77.88%(최고)로 물리 일관성 대폭 향상.
    • 튜닝 없이도 초안만으로 0.475→0.506 향상, LoRA 튜닝으로 0.558까지 올라간다. 단계별 기여가 분리됨.
  15. 776Computer Vision

    ACE-Data-0: Human-Centric Ambient Capture as Embodied Data Engine

    • 실제 가정 환경을 녹화 스튜디오로 변환하는 ACE 시스템을 구축했다. 테이블 규모와 방 규모 두 설정.
    • 150시간, 17M 프레임, 75,000 에피소드, 50명 참가자, 200개 작업 카테고리의 대규모 데이터셋이다.
    • 에고센틱+다각도 익소센틱 비디오, 전신·손 모션, 6-DoF 객체 궤적, 오디오, 촉각을 밀리초 단위로 동기화했다.
    • 제로샷 모션 전이(시뮬레이션→실제)를 지원하고, 30개 이상 기존 방법의 한계를 벤치마크로 드러냈다.
    • 모방 학습, 월드 모델, VLA 시스템의 훈련 기반으로 활용 가능하다.
  16. 775Computer Vision

    Chimera: Designing and Chinchilla-Scaling Hybrid Visual Diffusion Transformers

    • KDA(선형 복잯도) + MLA(글로벌 어텐션) + 단합성(국소 패턴)을 결합한 하이브리드 확산 백본을 설계했다.
    • 위치 임베딩 없이 래스터 순서만으로 텍스트·이미지·비디오를 단일 스트림으로 처리한다.
    • HeteroP: 텐서별 기능적 팬인을 기반으로 스케일 간 하이퍼파라미터를 자동 전송한다.
    • 11B 총 파라미터(2B 활성)로 기존 Wan-2.1(2B) 대비 7.3배 연산 효율을 달성했다. 학습은 약 600 H100일 소요.
    • 5초 클립으로 학습하고 30초 비디오를 제로샷으로 생성(길이 외삽), FID 6.5% 저하만으로 6배 확장했다.
  17. 774LLMs / NLP

    Metis: Memory Foundation Model

    • 외부 RAG에 의존하지 않고 모델 가중치 내에 '네이티브 메모리 상태'를 구현한 최초의 프로토타입이다.
    • 메모리 저장/망각/갱신이 모델 순방향 계산만으로 자동 수행된다. 그래디언트 프리 업데이트가 가능하다.
    • Fast Weight Programming에서 영감을 받은 하이퍼 메모리 블록과 로컬 메모리 블록 구조를 도입했다.
    • 128K 컨텍스트에서 Full Context 대비 2.4~2.67배 빠르고, 세션당 저장공간은 67배 작다(16.79MB vs 1118MB).
    • 한계: 장기 작업에서 정보 압축 손실이 있고, 일부 경우 의미 혼동이 발생한다.
  18. 773Research

    The Maxwell Conjecture is False

    • Maxwell의 1873년 추측(n개 점전하의 임계점 ≤ (n-1)^2)을 5개 전하 반례로 반증했다.
    • 정삼각형 + 2개 축 전하 구성으로 중심 임계점이 21개로 분기되어 총 24개의 비퇴화 임계점이 생긴다.
    • 반복 적용하면 3+2m개 전하로 4+20m개 이상의 임계점을 만들 수 있다 (점전하당 10개 비율).
    • 아이디어는 GPT-5.6 Sol이 제안했고, 저자들이 Mathematica/Maple로 검증 후 수학적 증명을 작성했다.
    • 이전 최고 기록인 25/7(약 3.57) 대비 임계점/전하 비율 10으로 대폭 개선했다.
  19. 772Computer Vision

    PhiZero: A World Model Built Around Physical Language

    • 자연영상에서 '물리 언어'라는 이산 압축 표현을 자기지도학습으로 발견했다. 픽셀이 아닌 상태 변화 패턴을 기호화한다.
    • 추론-후-렌더링 구조로 물리적 진화를 명시적으로 예측한 뒤 확산 모델로 영상을 합성한다.
    • 비디오 생성 및 물리 이해 벤치마크에서 기존 월드 모델 대비 물리적 일관성이 크게 향상되었다.
    • 인간 모션을 휴머노이드 로봇이나 로봇 손으로 전이하는 제로샷 동작 전이 기능을 보여주었다.
    • 물리 법칙이나 시뮬레이터 없이 순수하게 비디오 데이터만으로 물리적 상식을 학습했다.
  20. 771Computer Vision

    Beacon: Knowing When and How to Perform Agentic Visual Reasoning

    • 도구 사용의 두 가지 문제를 정의했다: Mode Adaptiveness(언제 도구가 필요한지 아는 것)와 Tool Effect(도구가 진짜 도움이 되는지).
    • 기존 모델들은 어려운 문제에서 얻는 이득이 쉬운 문제에서 생기는 오차로 상쇄되어, 도구 사용 효과가 거의 없었다.
    • 필요성 인지 적응 보상(NAAR)으로 불필요한 도구 호출은 줄이고, 힌트 유도 학습(HCE)으로 어려운 문제의 도구 사용 능력을 강화했다.
    • 13개 벤치마크 평균 58.98%로 최고 성능, 기반 모델 대비 +6.07%p 향상, 도구 이득-해 gap +3.14%p로 최대다.
    • 약 40%의 전부 오답 그룹을 힌트 롤아웃으로 회수하여, 학습 신호를 효과적으로 재활용했다.
  21. 770AI / General

    MemHarness: Memory Is Reconstructed, Not Replayed

    • 인간 기억의 '재구성' 원리를 AI 에이전트에 적용했다. 과거 경험을 현재 상황에 맞게 비판하고 수정한다.
    • GRPO라는 강화학습으로 기억 재구성 능력을 자연스럽게 학습하게 했다. 추가 인력 라벨링이 필요 없다.
    • ALFWorld에서 85.2%, WebShop에서 75.6%로 순수 RL 및 정적 기억 방식을 모두 능가했다.
    • 기억 재구성 모듈을 빼면 성능이 74.6%로 떨어져, 재구성 자체가 핵심 기여 요소임을 확인했다.
    • 훈련 시 기억 재구성을 배우면, 추론 시 기억이 없어도 기본 추론 능력이 향상되는 '잠재 가이드' 효과를 발견했다.
  22. 769AI / General

    Can AI agents conduct open-ended AI research? Early evidence from two case studies

    • '그림자 평가'라는 새 방법을 제안했다. 미공표 논문의 연구 질문을 AI에게 주고, 원저자가 채점하는 방식이다.
    • Opus 4.8과 GPT-5.6 Sol 두 모델 모두에서 비슷한 실패 패턴이 재현되었다.
    • 에이전트는 엔지니어링(코딩, 실험 실행)은 잘했지만, 연구 설계의 판단력과 창의성이 크게 부족했다.
    • 핵심 실패 5가지: 연구 수준 기준 부족, 막다른 길에서의 후퇴 실패, 자원 인식 부족, 피드백에 대한 비창의적 대응, 지시 이탈.
    • API 예산의 절반도 쓰지 않으면서 시간이 남았고, AI 자기 리뷰에서는 한 번도 '통과'를 주지 않았다.
  23. 768LLMs / NLP

    Frontis-MA1: Training an AI4AI Model towards Recursive Self-Improvement in Machine Learning Engineering

    • AI4AI(AI로 AI 개선)를 위해 OpenMLE라는 전체 스택 시스템을 구축하고 5,758개의 실행 가능한 작업 환경을 만들었다.
    • 초안 작성·개선·디버깇·교차 네 가지 진화 연산자를 RL로 학습시켜 메타 진화 에이전트 Frontis-MA1-35B를 훈련했다.
    • MLE-Bench Lite에서 메달 평균 39.4%에서 71.2%로 향상했고, GPT-5.5+Codex(68.2%)를 능가했다.
    • 별도 벤치마크 NatureBench Lite에서도 전이 학습 효과가 확인되어, 단순 벤치마크 암기가 아님을 증명했다.
    • 모델 가중치, 작업 환경, 훈련 코드를 모두 공개하여 재귀적 자기개선 연구의 재현 가능한 기반을 제공했다.
  24. 767LLMs / NLP

    AngelSpec: Towards Real-World High Performance Inference with Speculative Decoding

    • 실제 서비스 환경에서 작업 유형(채팅 vs 코드/수학)에 따라 최적의 드래프터가 다름을 실험적으로 입증했다.
    • DFly: 하이브리드 타겟 조건화 백본 + 전임자 조건 자기회귀 헤드로 블록 디퓨전의 품질을 높였다.
    • D-cut: 검증을 배치 수준 공유 자원으로 취급해, 부하에 따라 검증 깊이를 적응적으로 조절했다.
    • Hy3-A21B에서 평균 수용 길이 약 30% 증가, 동시성 4~64에서 최고 처리량 달성했다.
    • 자기회귀 대비 1.98~2.40배, DFlash 대비 10.5~11.8% 높은 처리량을 기록했다.
  25. 766Robotics

    RL$^2$-VLA: Adaptive RL Latent Compositional Steering with Test-Time Scaling for Vision-Language-Action Models

    • VLA 잠재 표현 위에서 학습된 가벼운 RL 정책으로 구성적 스티어링(compositional steering)을 적용했다.
    • 성공 상태와 실패 상태에서 각각 다른 스케일링 법칙을 발견했다: 실패 때만 개입하는 것이 최적이다.
    • SAFE 실패 감지기를 통합해, 실패 예측 시에만 RL 스티어링을 활성화하는 적응형 메커니즘을 구축했다.
    • SIMPLER/PolaRiS 벤치마크 OOD 설정에서 최대 +17.3% 성공률 향상을 달성했다.
    • 실제 PiperX 로봇 실험에서도 +17.5% 향상으로 시뮬레이션 결과가 실제로 이전됨을 확인했다.
  26. 765Computer Vision

    FreqForcing: Autoregressive Long Video Generation via Spectral Self-Anchoring

    • 자기회귀 비디오 생성의 오류 누적을 주파수 도메인에서 분석해 저주파 에너지 드리프트가 원인임을 밝혔다.
    • Spectral Self-Anchoring(SSA)로 초기 프레임의 저주파 + 최신 프레임의 고주파를 융합해 안정성과 다이나믹스를 동시에 확보했다.
    • 추가 학습 없이 5초 학습 모델을 2분(24배 확장)까지 안정적으로 생성할 수 있다.
    • VBench-Long 메트릭에서 기존 training-free 방법들을 능가하고, training-based 방법과도 경쟁력 있는 성능을 보였다.
    • 추론 속도는 Self-Forcing 대비 약 16.5%만 증가하는 가벼운 오버헤드다.
  27. 764Computer Vision

    VidMap: Exploiting Temporal Structure for Video-Based Structure-from-Motion

    • SLAM의 순차적 추적과 SfM의 전역 최적화를 결합해 양쪽 한계를 극복했다.
    • 시간 순서를 1순위 정보로 활용해 시각적 대칭(visual aliasing) 오류를 방지했다.
    • 단안 깊이 prior를 전역 최적화에 추가해 축척 드리프트와 퇴화 구성을 해결했다.
    • 극단적 모션이 포함된 도전적 데이터셋에서 기존 SLAM·SfM·학습 기반 방법 모두를 큰 차이로 능가했다.
  28. 763Agents

    Living-Harness Is an Interactive-Agent Evolver

    • 에이전트 실패를 일회성 교훈이 아닌 '실행 가능한 절차적 수리(procedural repair)'로 변환해 영구 저장했다.
    • 에피소드 메모리(트리거 조건·실패 패턴·복구 행동)와 상태 그래프(상태 노드·수리 엣지·전이 규칙) 두 축으로 지식을 축적했다.
    • Evolution-SOP라는 도메인 수준 가이드로 무엇을 어떻게 수정할지 구조화했다.
    • τ²-Bench에서 평균 +10.07p, MultiWOZ-2.4에서 +9.91p 향상을 달성했다.
    • GPT-5.2로 진화시킨 harness 상태를 Gemini 3 Pro, GLM-5, Qwen3-max 등 다른 모델에 검색만으로 전달해도 성능이 올랐다.
  29. 762Robotics

    $π\mathbf{R}^2$: Reactive Real-time Flow Policies

    • 관절 상태(빠른 채널)와 시각-언어(느린 채널)를 비동기로 분리해, 비전 지연을 기다리지 않고 실시간 반응했다.
    • 지연 적응형 노이즈 스케줄로 하드웨어 지연에 관계없이 부드러운 행동을 보장했다.
    • GR00T-N1.7 기반 실제 로봇(xArm6+XHand)에서 기존 대비 약 4배 빠른 25Hz 재계산을 달성했다.
    • 접촉이 많은 실제 작업(책 정리, 박스 삽입, 낙하물 잡기)에서 최대 30% 성공률 향상을 보였다.
    • 기존 VLA 아키텍처를 최소한으로 수정하면 적용 가능해 실용성이 높다.
  30. 761Machine Learning

    Weak-to-Strong On-Policy Distillation

    • 약한 모델 쌍(양성/음성)의 logit 차이에서 능력 방향을 분리해 강한 학생에게 더하는 새로운 증류 방식을 제안했다.
    • 세 가지 구성을 제안: RL 전후 모델 쌍, 크기 다른 기본 모델 쌍, 정답/오답 힌트 쌍.
    • 수학 4개·코딩 3개 벤치마크에서 기존 OPD 대비 수학 +11.4%, 코딩 +12.0% 상대 향상을 달성했다.
    • 약한 모델에서만 배웠음에도 실제 약한 교사 모델 자체를 능가하는 결과를 보였다.
    • RL 대비 모델은 '추론 뼈대'를, 크기 대비 모델은 '풀이 절차'를 강화하는 보완적 신호를 제공함을 발견했다.

연구에서 제품 적용까지

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

보유기술 보기