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. 760Research

    Qwen-Audio-3.0-Gen-Preview Technical Report

    • 비자기회귀(NAR) 구조로 음성·음악·효과음·혼합을 단일 생성 경로로 통합했다.
    • 48kHz 스테레오를 25Hz 잠재 표현으로 압축하는 공유 VAE를 설계했다.
    • 음악 데이터를 기존 전용 모델의 약 10%만 사용하면서도 SongBench 7개 항목 중 3개에서 리드했다.
    • Seed-TTS-Eval에서 화자 유사도가 가장 높았고, 다화자 일관성도 Seed-Audio-1.0보다 뛰어났다.
  2. 759Computer Vision

    HumanCLAW: Can Vision-Language Models Act Through a Body?

    • VLM의 행동 의사결정과 모터 제어를 분리해 순수하게 판단 능력만 평가하는 프레임워크를 만들었다.
    • 1,218개의 에고센트릭 탐색-상호작용 에피소드, 41개 실내 씬으로 구성된 HumanCLAW-Bench를 구축했다.
    • 9개 최첨단 VLM 중 최고 모델도 16.8% 성공률에 그쳤다.
    • 실패의 핵심 원인은 인식이 아니라 '내 몸이 어디 있는지, 도착했는지, 부딪혔는지'를 모르는 자기 인식 부족이었다.
    • 현재 VLM은 세상을 '묘사'할 뿐, 자신이 통제하는 몸을 '느끼지' 못한다는 결론을 도출했다.
  3. 758Research

    Settling the Optimal Exponent Relating Sumsets and Difference Sets

    • 가산집합과 차집합 사이의 최적 보편 지수가 정확히 2임을 최초로 증명했다.
    • AI 에이전트(Hyra)가 24시간 자율 탐색으로 핵심 구조를 발견하고, 인간이 수학적으로 엄밀히 검증했다.
    • Lean 4 형식 증명도 제공해 기계 검증 가능성을 확보했다.
    • base-12 숫자 기법, 3상태 캐리 오토마톤, 중국인 나머지 정리를 결합한 정교한 구성이 핵심이다.
  4. 757Computer Vision

    TurboVLA: Real-Time Vision-Language-Action Model at 32 Hz on an RTX 4090 with <1 GB VRAM

    • LLM 중심 구조를 제거하고 비전-언어 직접 결합(V+L→A) 방식을 제안했다.
    • 0.2B 파라미터로 π0.5(약 3.4B) 대비 6% 크기이면서도 LIBERO 성공률 97.7%로 동등 이상의 성능을 보였다.
    • 소비자용 RTX 4090에서 32Hz(31.2ms) 추론 속도와 1GB 미만 VRAM을 달성해 엣지 디바이스 배포가 가능하다.
    • 실제 로봇(AgileX Piper) 4개 작업에서 π0.5를 일관되게 뛰어넘는 성능을 보였다.
    • 언어 제거 시 성공률이 70.8%로 떨어져, 실행 수준에서도 언어 조건화가 여전히 중요함을 입증했다.
  5. 756Robotics

    DC-WAM: Dynamic-Centric Visual Supervision and Reasoning for World-Action Models

    • RGB 비디오평 시각적 감독을 외관 재구성에서 상호작중심 역학으로 재분배했다 — PSNR은 낮아지지만 정책 성능은 올라간다.
    • 시간 차분 흐름 매칭 + 트래커 가이드 가중치로 정적인 배경/질감이 아닌 로봇-객체 접촉 움직임에 집중한다.
    • DynaRoute 어텐션 바이어스가 동적 관련 토큰을 예측하고 시각 어텐션을 그쪽으로 유도한다.
    • LIBERO-Plus(OOD)에서 60.9%로 FastWAM 대비 +9.4%p 향상, ID-OOD 성능 격차도 46.1→37.2로 축소했다.
    • 실제 로봇 양팔 작업에서 조명 변화 시 최대 30%p 향상을 달성했다.
  6. 755Computer Vision

    Visual prompt engineering for video models

    • 비디오 모델에 대한 시각적 프롬프트 엔지니어링(VIPE)을 체계적으로 제안하고 검증했다.
    • Veo 3.1이 스케치→사실적 변환 후 물리 추론 정확도가 41.3%→59.3%로 18%p 급증했다.
    • 현실주의 편향 발견: 비디오 모델은 사실적 장면에서 훨씬 더 잘 추론한다. 추상적 벤치마크는 모델 능력을 과소평가한다.
    • VIPE가 텍스트 프롬프트 최적화나 self-consistency 같은 test-time scaling보다 더 효과적인 경우가 많다.
    • 단계적 실험에서 현실성이 한 단계씩 올라갈 때마다 장면 일관성이 함께 개선되는 것을 확인했다.
  7. 754Computer Vision

    HOME: Robust Hough-space Matching Method for Structured and Textureless Videos

    • 허프 공간의 극값을 키포인트로 사용해 직선 구조에서 안정적인 특징점 검출을 달성했다.
    • 1차원 방사형 기술자가 회전/이동 불변성을 수학적으로 보장해서 별도 방향 추정이 불필요하다.
    • 학습 불필요(training-free)이면서 LSD/LBD 기반 선분 매칭보다 모든 지표에서 우수했다.
    • 총 16.5ms로 실시간 처리 가능하며, 허프 변환이 대부분의 시간(7.7ms)을 차지하지만 GPU 가속으로 개선 가능하다.
    • 질감이 거의 없는 이미지(α=0.95)에서도 400개 이상의 인라이어 매칭을 찾아내는 강건성을 보였다.
  8. 753Computer Vision

    Parallel Decoding Distillation for Fast Image and Video Generation

    • 한 번의 순전파로 여러 디노이징 스텝을 병렬 예측하는 '병렬 디코더'를 훈련시켜 생성 속도를 높였다.
    • VSD나 GAN 손실 없이 단순 회귀 목적만 사용해서 모드 붕괴(다양성 상실) 문제를 해결했다.
    • Wan2.1 14B 텍스트-투-비디오에서 VBench 1위, 다양성 지표에서도 기준선 대비 우수했다.
    • Qwen-Image 20B에서 4-8 NFE만으로 SOTA 점수를 달성했다.
    • LTX-2.3 22B 모델에서 720p 10초 비디오+오디오를 8 NFE만에 생성 가능하다.
  9. 752Computer Vision

    Mage-VL: An Efficient Codec-Native Streaming Multimodal Foundation Model

    • 코덱 네이티브 토크나이저(Mage-ViT)가 동적 패치만 선택 인코딩해서 시각 토큰을 75% 이상 절감한다.
    • 560M 라벨 없는 이미지만으로 처음부터 훈련해 수십억 이미지-텍스트 쌍을 쓴 SigLIP2와 동등한 성능을 달성했다 (사전학습 데이터 효율성).
    • 이중 시스템: System 1 이벤트 게이트(빠른 반응) + System 2 인과 디코더(심층 추론)로 실시간 스트리밍 이해를 지원한다.
    • 4B 파라미터로 Qwen3-VL-4B와 정적 작업 동등, 비디오 이해와 2D/3D 공간 추론에서는 15B Phi-4 모델까지 능가한다.
    • 최대 3.5배 추론 속도 향상을 달성했고 7가지 핵심 경험적 발견을 보고했다.
  10. 751Robotics

    INTACT: Isomorphic Intent-to-Action Learning for Search-Free World Models

    • JEPA(예측 아키텍처)에 '의도→행동' 인터페이스를 통합해서 검색 없이도 직접 행동을 생성할 수 있다.
    • 물리적 후속 상태와 목표 의도를 하나의 공유 예측기로 처리하되, 엔드포인트 그래디언트를 비대칭으로 설계했다.
    • 검색 없이(Direct mode) LeWM 4작업에서 85.78%~100% 성공률, 추론 시간 2.9~5.5ms.
    • 선택적 CEM 탐색으로 96.86% 매크로 성공률을 달성하면서도 순수 CEM 대비 23.44배 적은 샘플링을 사용했다.
    • 하나의 인코더로 4개 작업을 공동 훈련해 89.39% Direct 매크로 성공률을 달성했다.
  11. 750LLMs / NLP

    Pass the Baton: Trajectory-Relayed On-Policy Distillation

    • 교사-학생 간 '방향 전환 비대칭성'을 발견했다 — 교사는 반성하고 방향을 바꾸지만, 학생은 그냥 직진한다.
    • 교사 토큰이 전체의 0.35%만 있어도 정확도가 +7.23%p 오르는 것을 실험으로 확인했다.
    • 릴레이 예산으로 교사 개입 횟수와 길이를 제한해서 학생 정책에서 너무 멀어지지 않게 했다.
    • 평균 훈련 궤적 길이를 50% 이상 단축(4658→2296 토큰)하면서도 정확도는 더 높았다.
    • 단일 회귀 목적 함수로 VSD/GAN 손실 없이 안정적 훈련이 가능하다.
  12. 749Computer Vision

    MODUS: Decoder-Only Any-to-Any Modeling of Diverse Modalities

    • 모달리티별 헤드, 손실 함수, 태스크 파이프라인 없이 하나의 디코더로 15개 모달리티를 처리하는 최초의 모델이다.
    • 기존 any-to-any 모델과 달리 대규모 사전학습 디코더(BAGEL)를 활용해서 훈련 비용을 크게 줄였다.
    • 균일 타임스텝 샘플링(uniform timestep sampling)으로 모달리티 혼동을 방지하고 안정적 훈련을 달성했다.
    • 체인드 생성(중간 모달리티를 거쳐 변환)과 교차 모달 자기 검증(다른 모달리티로 자기 출력 검사)을 자연스럽게 지원한다.
    • 2900만 샘플의 MODUS-DATASET과 2개 체크포인트를 오픈소스로 공개했다.
  13. 748Robotics

    HiFi-UMI: Learning Deployable Manipulation Policies from High-Fidelity UMI Data Alone

    • 3mm 궤적 정확도, 마이크로초 동기화, ~200도 시야각으로 기존 UMI의 충실도 한계를 극복했다.
    • 제로-로봇 포스트트레이닝: HiFi-UMI 데이터만으로 훈련해 실제 로봇에 직접 배포 가능하다 (3개 백본 모두에서 검증).
    • 가장 강한 정책은 정밀 삽입 작업에서 85% 성공률을 달성했다 — 해당 작업에 HiFi-UMI 궤적 데이터가 전혀 없음에도.
    • 4000시간 사전학습으로 미지원 작업 10개에서 행동 오차 41% 감소, 한 백본에서는 추가로 18.1%p 성공률 향상.
    • 2000시간 마이크로초 동기화된 고품질 데이터셋(HiFi-UMI-2K)을 오픈소스로 공개했다.
  14. 747Research

    How to read Mathematics? A study guide

    • 수학 읽기는 '페이지/시간'이 아니라 '시간/페이지'로 측정해야 한다 — 천천히, 아주 천천히 읽어라.
    • 정의를 읽을 때 반드시 예시와 반례를 만들어봐야 한다 — 정의 없는 예시도, 예시 없는 정의도 안 된다.
    • 증명을 읽을 때는 먼저 대략 훑고, 한 줄씩 따라가고, 핵심 아이디어를 요약하는 3단계로 접근하라.
    • 연습 문제는 가능한 한 빨리 보고, 문제 자체를 하나의 수학 텍스트처럼 읽어라.
    • AI(LLM)에 너무 의존하면 뇌 연결성이 약해진다는 EEG 연구 결과를 인용하며 주의를 촉구했다.
  15. 746Software Engineering

    RSIBench-Data: Benchmarking Data-Centric Research for Recursive Self-Improvement

    • 훈련/평가/서빙 인프라를 모두 고정하고 순수하게 '데이터 연구 능력'만 분리해서 측정한 최초의 벤치마크다.
    • 4개 최고 수준 에이전트(Codex, Claude Code 등) 중 어느 것도 일관되게 우세하지 못했다 — 비-SWE는 Codex가, SWE 3종은 각기 다른 에이전트가 이겼다.
    • 피드백을 받은 후 최고점을 찍고도 78%는 마지막 시도에서 점수가 하락했다 (발견-신뢰성 갭).
    • 추리 노력(max effort)을 높이면 더 강한 후보를 더 일찍 찾지만, 탐색 횟수는 줄어드는 깊이-너비 트레이드오프를 발견했다.
    • 같은 모델 계열(kimi-k2.6)로 자기 개선(RSI) 실험을 했지만, 8%→21%로 향상되에도 불구하고 원본 33%에는 미치지 못했다.
  16. 745Computer Vision

    Wonder: Video World Model Done Better

    • 카메라 움직임을 추상 데이터가 아닌 '렌더링된 시각 단서'로 변환해서, 증류 후에도 제어 정확도가 떨어지지 않게 했다.
    • 희소 풀해상도 메모리(sparse full-fidelity memory)로 모든 과거 프레임을 보존하면서도 어텐션 비용은 일정하게 유지했다.
    • 시간별 혼합 학생(mixture-of-students) + 카메라 인식 적대 정규화로 증류 과정에서 시각 품질과 제어 정확도를 둘 다 지켰다.
    • 회전 위치 오차(RPE)에서 최강 기준선 대비 이동 0.0174→0.0132, 회전 0.1155→0.0784로 유의미한 개선을 달성했다.
    • 비디오 입력도 지원해서, 기존 동영상의 카메라 경로를 실시간으로 바꿔 재촬영할 수 있다.
  17. 744Machine Learning

    Sparse Autoencoders Encode Both Concepts and Functions: The Downstream Geometry of Feature Effects

    • 특징을 지웠을 때 출력 로짓 변화의 기하 구조를 잰다.
    • 대부분의 특징은 하나의 안정된 조종 방향을 주지 않는다.
    • 값 같은 특징은 저차원 구조를 더 자주 보이지만 여러 방향에 퍼진다.
    • 포인터 같은 특징은 대부분 흩어진 효과를 낸다.
    • Gemma-2-2B에서 ReLU, TopK, Matryoshka Batch TopK를 비교했다.
    • 특징이 해석 가능하고 인과적이어도 조종이 안정적이란 보장은 없다.
  18. 743AI / General

    From Proprietary to Open-Source: Bridging the Distribution Gap via Multi-Agent Protocol Distillation in Agentic Search

    • 상용 모델을 오프라인 교사로만 쓰고 추론 비용은 0이다.
    • 멀티에이전트가 만든 구조화 JSON 규약이 교사와 학생을 잇는다.
    • 겉문체를 벗겨 스타일 오염과 환각을 줄인다.
    • Qwen3-1.7B 39.4%, Qwen3-4B 44.4% 평균 성공률을 냈다.
    • Claude, GPT, Gemini 교사 모두 2포인트 이내로 비슷해 API 교체가 자유롭다.
    • 규약 합성은 전체 약 1,454달러로 한 번만 드는 일회성 비용이다.
  19. 742LLMs / NLP

    A New Role for Relevance: Guiding Corpus Interaction in Agentic Search

    • 관련도를 상위 k 문서 선택이 아니라 grep 탐색 순서로 바꾼다.
    • 문서 순위로 전역 관련도를 주고, 매칭 재순위로 지역 관련도를 준다.
    • 질문에 맞는 문단으로 검색 시작점을 심어 결정적 근거를 일찍 만난다.
    • GPT-5.4-mini에서 정확도 84%를 도구호출 23.9회로 내 경쟁 방법보다 호출이 훨씬 적다.
    • 100만 문서로 키워도 79%를 유지해 성능 하락이 완만하다.
  20. 741Information Retrieval

    LaRec: Unleashing LLM-based Latent Reasoning for Generative Recommendation

    • 긴 텍스트 추론 대신 잠재 공간에서 생각하는 잠재 추론으로 응답 지연을 크게 줄였다.
    • 잠재 사전학습에서 단계별 정렬과 과정 방향 정렬로 중간 추론 단계에 지도신호를 준다.
    • 사용자별 가우시안 혼합 분포로 추론 시작점을 뽑아 사용자 관련 공간 안에서 탐색한다.
    • GRPO와 희소 적중 보상 더하기 밀집 의미 유사도 보상으로 추론을 추천 목표에 정렬한다.
    • 잠재 추론 지연은 무추론과 거의 같고 사고사슬보다 훨씬 낮다.
    • 실제 광고 플랫폼 온라인 A/B 테스트에서 전환 2.93% 등 개선을 기록했다.
  21. 740Robotics

    LeapBot-WA: World-Anchor Action Models via Predictive Latent Alignments

    • 픽셀 단위 영상 복원 대신 잠재 공간에서 추상적 물리 변화를 예측하는 방향으로 전환했다.
    • 공동임베딩 예측 구조를 월드 앵커로 써서 시각 외형이 아닌 상태 변화에 집중한다.
    • 등방성 의미 오토인코더로 예측 특징과 확산 사전분포의 불일치를 메운다.
    • 무거운 예측 분기는 학습 때만 쓰고 추론 때 잘라내 추가 비용 없이 동작한다.
    • RoboTwin 2.0 91.46%, LIBERO 97.3%로 대규모 궤적 사전학습 없이 최고 수준을 기록했다.
    • 등방성 정규화로 잠재 랭크를 38.1에서 92.3으로 올리고 성공률을 71.3%로 끌어올렸다.
  22. 739Robotics

    DeVA: Decoupled Video-Action Model with physical guidance for robot policy learning

    • 영상 예측과 행동 예측을 별도 전문가로 분리해 정책 학습을 더 다루기 쉽게 만들었다.
    • 영상 백본 여러 층의 표현을 교차어텐션과 다리 토큰으로 행동 전문가에 전달한다.
    • 물체 조작 가능 영역과 상대 깊이를 보조 지도신호로 주입해 물리 정보를 강화한다.
    • RoboCasa 과제당 50개 시연으로 72.0% 성공, 같은 예산 대비 최대 22포인트 앞섰다.
    • 실제 양팔 로봇 3개 과제에서 평균 74%로 GR00T-N1.6(48%), Cosmos Policy(34%)를 앞섰다.
    • Cosmos-Policy보다 최대 20배 적은 학습 예제로 더 빠르게 수렴했다.
  23. 738Research

    On Feige's conjecture

    • Vlassis와 Thomas의 분포 비의존 p값 결과를 Feige 추측의 확률변수 합 문제에 연결해 짧은 증명을 구성했다.
    • 기댓값이 1인 음이 아닌 독립 확률변수 n개의 합이 n+1보다 작을 확률이 (n/(n+1))^n 이상임을 보였다.
    • 이 하한은 1/e 이상이므로 2004년에 제기된 Feige 추측을 확정한다.
    • 통계학의 Gaffke 추측 해결이 확률 부등식 증명으로 이어질 수 있음을 보여주며, GPT-5.6 Sol이 증명 탐색을 도왔다.
    • 다만 핵심 정리는 임계값이 n+1인 Feige 추측에 초점을 두므로 더 일반적인 작은 편차 매개변수 전체를 해결하지는 않는다.
  24. 737Research

    Sharp small-deviation inequalities for sums of independent nonnegative random variables

    • Vlassis와 Thomas의 정확한 디리클레 보정 정리를 Grünbaum 무게중심 정리 등 볼록기하 결과와 결합했다.
    • 0<δ<1과 δ≥1을 나누어 음이 아닌 독립 확률변수 합의 작은 편차 확률에 대한 명시적 하한을 증명했다.
    • δ≥1에서는 모든 n에 대해 하한이 최적이며 1/e 이상이어서 Feige 추측을 확정한다.
    • 이 결과는 독립적인 음이 아닌 확률변수 합의 하위 꼬리를 분석할 때 사용할 수 있는 날카로운 기준을 제공한다.
    • 다만 모든 n에 대한 최적성은 δ≥1에서만 확립됐고 0<δ<1 구간의 하한은 같은 수준의 날카로움이 증명되지 않았다.
  25. 736Robotics

    τ: Learning Touch-Augmented Vision-Language-Action Models from Future Visual Supervision

    • 현재 촉각과 뒤따르는 행동으로 미래 시각 특징을 예측하는 자기지도 목표를 사용해 시공간 촉각 표현을 학습한다.
    • 학습한 촉각 표현을 사전학습된 시각·언어 특징과 결합해 로봇 행동을 생성하며, 예측 가지는 훈련 때만 사용한다.
    • 플러그와 USB 삽입 등 네 가지 접촉 중심 조작에서 시각 전용 VLA와 기존 촉각 정책보다 높은 성능을 보였다.
    • 추론 때 추가 가지를 제거하므로 배포 비용을 늘리지 않으면서 접촉이 중요한 로봇 조작을 개선할 수 있다.
    • 평가는 TacAura의 네 가지 대표 작업과 제한된 작업별 데이터에 집중되어 있어 더 다양한 로봇과 접촉 상황에서의 검증이 남아 있다.
  26. 735AI / General

    From Execution to Capability: Scientific Experience Consolidation via Procedural Knowledge Synthesis

    • 검증된 실행 경험을 재사용 절차 지식과 영구 모델 능력으로 바꾸는 문제를 정의했다.
    • 성공과 실패를 대조해 절차를 뽑고 개발 검증 관문으로 유효한 것만 남긴다.
    • 정답 없이 실패 기반으로 새 문제를 합성해 학습 데이터를 늘린다.
    • 추상 절차를 약한 모델이 못 쓰는 추상과 실행 간극을 실증했다.
    • 강한 모델이 절차를 실행 코드로 구체화해 표준 지도학습 데이터를 만든다.
    • 9B 학생이 절차 없이도 원본 대비 서브스텝 5.62점, 본문제 11.25점 향상됐다.
  27. 734Computer Vision

    OmniVAE: An Audio-Video VAE with Cross-Modal Alignment for Joint Generation

    • 오디오 VAE와 비디오 VAE를 따로 학습하면 잠재 공간이 어긋나 동기화가 어렵다.
    • OmniVAE는 두 공간을 공동 학습으로 세밀하게 정렬한 오디오 비디오 VAE다.
    • 구간 단위 대조 학습으로 시간 의미 대응을 맞춘다.
    • 사전학습 인코더에서 의미 특징을 증류해 각 잠재 공간의 학습성을 높인다.
    • 두 목표 모두 학습 때만 쓰여 추론 비용이 늘지 않는다.
    • Verse-Bench에서 동기화(DeSync 0.884에서 0.570)와 음질이 모두 개선됐다.
  28. 733LLMs / NLP

    The Physics of Multi-Turn Long-Horizon Planning: From Pre-training to Post-training via Single- and Multi-Teacher On-Policy Agentic Distillation

    • 세계 모델을 생각의 사슬로 명시하면 장기 일반화가 크게 좋아진다 (93.1 대 0.3).
    • 원자 기술만으로는 조합 일반화가 안 되지만 장기 데이터를 5%만 섞어도 급상승한다.
    • 나쁜 궤적을 섞으면 오류가 누적되어 장기 성능이 무너진다.
    • 온폴리시 증류가 GRPO보다 장기, 저품질 조건에서 유효 영역이 넓다.
    • 다교사 증류는 공유 계획 패턴으로 수렴하고, 충돌 패턴은 심한 망각을 부른다.
    • 실험은 Qwen2.5-100M 기반 전체 파라미터 지도학습으로 진행했다.
  29. 732Computer Vision

    CameraAnything: Refilming Videos with Arbitrary Camera Control

    • 위치와 방향 같은 외부, 초점거리와 해상도 같은 내부 카메라 파라미터를 함께 제어한다.
    • 픽셀별 광선 표현과 해상도 반영 3D 위치 인코딩을 자기어텐션에 결합한다.
    • 자르기나 바깥 채우기 없이 원본 해상도 편집을 한 번의 생성으로 처리한다.
    • 여러 대 카메라 동기 촬영 기반 합성 파이프라인으로 짝 학습 데이터를 만든다.
    • 실세계 회전 오차 2.76도로 ReCamMaster 5.12도, TrajectoryCrafter 13.99도보다 낮다.
    • 합성 데이터만으로 학습해도 실세계 영상에 일반화한다.
  30. 731Computer Vision

    Sol-Attn: Accelerating Video Generation Inference via On-the-Fly Attention Sparsification

    • 학습 없이 어텐션만 희소화해 사전학습 모델을 그대로 가속한다.
    • 블록 프록시 점수가 가우시안이라 평균과 표준편차 기반 임계값으로 블록을 고른다.
    • 프록시 점수 지도를 메모리에 만들지 않아 라우팅 비용을 줄인다.
    • 버린 블록 점수를 재활용해 근사 보정하므로 공격적 희소화에도 정확도 손실이 작다.
    • 영상 생성 2.1배, 편집 2.3배 종단 가속을 화질 저하 없이 낸다.
    • Sol-Engine과 통합하면 영상 생성에서 최대 5배 가속에 도달한다.

연구에서 제품 적용까지

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

보유기술 보기