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.
- 580Machine Learning
TREK: Distill to Explore, Reinforce to Refine
- GRPO의 한계 진단: 학생이 보상 궤적을 전혀 샘플링하지 못하는 어려운 프롬프트가 병목
- 출력 전용 인터페이스: 교사의 logits/내부 상태 없이 검증된 궤적만 필요→블랙박스 교사 호환
- 프롬프트 라우팅: 학생 통과율 pS(x)≤τ_low인 프롬프트만 교사 쿼리, 상위 r개 학생 근접 궤적 선별
- 수학: Qwen3-8B AIME 2025 36.9→40.3, AIME 2024 47.9→51.1 (avg@16); self-context 변형도 유의미 향상
- 에이전트 태스크: ALFWorld 75.8→82.8, ScienceWorld 12.5→26.7; 특히 어려운 태스크에서 초기 학습 대폭 가속
- forward-KL 통합 단계 후 표준 GRPO로 복귀하여 검증된 모드를 정제·강화
- 579Computer Vision
AlayaWorld: Long-Horizon and Playable Video World Generation
- LTX-2.3 파인튜닝 기반 720p 24fps 실시간 생성, 청크당 4단계 디노이징(~1초 비디오)
- 프롬프트 스위칭: 청크 경계에서 텍스트 조건 업데이트로 개방형 액션 지원
- 3D 캐시 + 히스토리 압축으로 공간적 일관성 유지, leave-and-return 일관성 입증
- 에러 뱅크: 롤아웃 중 누적된 잔차 아티팩트를 구조적 섭동으로 재사용하여 장기 생성 안정화
- few-step DMD 증류로 시각 지연 최소화, 짧은 청크로 의미론 지연 최소화
- 데이터 준비→학습→추론 가속→배포까지 전 스택 모듈화, 오픈소스 공개 예정
- 578Machine Learning
Multi-Turn On-Policy Distillation with Prefix Replay
- 환경 상호작용 없이 교사 RL 롤아웃을 재사용하여 비용을 0으로: 별도 수집 불필요(free by-product)
- prefix trap 식별: 시간적(오류 누적) + 분포적(학생 occupancy 이동 vs 교사 신뢰도 이동) 양측 문제
- step-decay 샘플링: 초기 step(낮은 이동)에 가중치를 두어 신뢰도 높은 구간 우선 학습
- 수학(Python)에서 교사-학생 격차가 클 때 ReOPD가 OPD 초과 달성, 검색 환경에서는 OPD와 동등
- 학습 단계당 OPD 대비 4배 이상 빠르고 도구 호출 0회, 이질적 환경 통합도 용이
- 교사 자체 모델에서 생성한 prefix가 가장 좋으며, 더 강한 모델의 prefix는 오히려 성능 저하
- 577Machine Learning
Weak-to-Strong Generalization via Direct On-Policy Distillation
- 핵심 아이디어: post-RL 약한 모델과 pre-RL 참조의 log-ratio가 KL-정규화 RL의 암묵적 보상과 동일
- 약한 모델(1.5B)의 RL 결과를 Qwen3-1.7B/4B, R1-Distill-7B 등 더 강한 모델에 전달하여 모두 성능 향상
- Qwen3-1.7B AIME 2024 정확도 48.3% → 62.4% (8×A100, 4시간), 직접 RL(Polaris, 32×A100, 1주일)과 동등
- 약한 모델의 최종 정책을 모방(일반 OPD)하면 강한 학생의 성능이 오히려 하락하는 것과 대조적
- 응답 길이와 KL 계수가 전이 신뢰성의 핵심 제어 변수이며, adaptive KL이 평균 보상을 안정화
- 여러 교사 쌍(R1-Distill→JustRL, Nemotron→QuestA)에서 일관된 향상 확인
- 576Computer Vision
Vision as Unified Multimodal Generation
- 단일 UMM으로 구조화 비전 이해·밀집 기하 예측·세분화·다시점 3D를 통합, 태스크별 헤드 불필요
- 텍스트 생성은 기호 출력(탐지, OCR, 키포인트, 카메라 포즈), 이미지 생성은 밀집 예측(깊이, 법선, 마스크, 포인트맵)을 담당
- SenseNova-Vision Corpus: 이질적 비전 어노테이션을 명령-응답 예제로 변환한 대규모 학습 코퍼스
- 구조화 비전 이해에서 리딩 시스템 능가, 밀집 기하/세분화에서 최고 수준 전문 시스템과 근접
- 언어로 태스크 변형을 자유롭게 정의 가능(색상, 영역, 카테고리 조합 등 훈련에 없는 새 변형도 수행)
- 모델과 코퍼스를 공개(open-source)하여 재현 가능한 연구 기반 제공
- 575AI / General
DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation
- 반자기회귀 아키텍처: 병렬 백본 + 경량 RNN 헤드로 토큰 간 의존성 주입, per-token 확률은 정확한 softmax로 유지
- Confidence-scheduled verification: 위치별 prefix 생존 확률 추정 + 하드웨어 인식 스케줄러로 검증 길이 동적 조정
- Qwen3-4B/8B/14B에서 Eagle3 대비 accepted length 각각 30.9%, 26.7%, 30.0% 개선, DFlash 대비 16-18% 개선
- DeepSeek-V4-Flash 실제 트래픽에서 MTP-1 대비 사용자당 60-85% 속도 향상, V4-Pro에서 57-78% 향상
- 동시성이 높은 환경에서 검증 길이를 자동 축소하여 배치 용량 낭비 방지, Pareto frontier 확장
- DSpark 체크포인트와 DeepSpec 학습 저장소를 오픈소스로 공개
- 574Robotics
From Foundation to Application: Improving VLA Models in Practice
- 약 60,000시간(로봇 궤적 50,000시간 + 자기중심 영상 10,000시간)의 대규모 사전학습 데이터 구축, 20종 로봇 구성 포함
- 팔뿐 아니라 머리·허리·이동 베이스·능동 손까지 확장된 전신 자유도 제어 지원
- 비디오 표현 모델(semantic prior)과 깊이 추정 모델(geometric cue)을 활용한 이중 쿼리 증류 기반 예측 역학 모델링 도입
- GM-100 듀얼암 벤치마크 4종 태스크 평균 성공률 55.0%(MeanStd 정규화+L2 손실 기준), 가장 높은 태스크는 76.8%
- 상대 행동 타겟(relQpos)이 절대 타겟 대비 행동 스케일을 0.34배로 압축하여 학습 안정성 향상
- MoE 기반 액션 전문가 구조로 토큰 수준 적응형 전문가 라우팅 적용
- 573AI / General
LLM-as-a-Verifier: A General-Purpose Verification Framework
- scoring token logit의 확률 분포 기댓값으로 연속 점수 계산, 동점률 획기적 감소
- 3개 검증 스케일링 축: 점수 세분성(g), 반복 평가(k), 기준 분해(c) 각각 정확도 향상
- Terminal-Bench V2 86.5%, SWE-Bench Verified 78.2%, RoboRewardBench 87.4%, MedAgentBench 73.3% SOTA
- 세분된 검증 점수가 작업 진행도 추정과 연속적 RL 보상 신호로도 활용 가능
- LIBERO에서 SAC 보상 shaping 시 약 1.8배, MATH GRPO에서 약 1.1배 샘플 효율성 향상
- 572Robotics
InternVLA-A1.5: Unifying Understanding, Latent Foresight, and Action for Compositional Generalization
- foresight 토큰: 학습 중에만 비디오 생성 모델(WAN2.2-5B)로 감독, 추론 시 제거로 실시간 속도 유지
- VLM 백본에 VQA·서브태스크 예측·이산 동작 토큰 목표를 지속 훈련하여 의미론 능력 보존·강화
- 6개 시뮬레이션 벤치마크(LIBERO 98.9%, RoboTwin 93.2%, SimplerEnv 80.8% 등) 전체 1위
- LIBERO-Plus 제로샷 84.8%, DOMINO 제로샷 27.7%로 분포 이동·동적 객체 상호작용에서 강건성 입증
- foresight 토큰 제거 시 DOMINO 23.8%로 하락, 동역학 사전지식 전달의 효과 확인
- 571Computer Vision
PixWorld: Unifying 3D Scene Generation and Reconstruction in Pixel Space
- VAE/RAE 없이 pixel space에서 직접 differentiable rendering으로 3DGS 최적화, 정보 손실 제거
- clean/noisy 뷰 분할로 단일 forward pass에서 생성과 복원을 통합
- geometry perception loss: 3D foundation model 특징 공간에서 기하학적 감독 제공
- RealEstate10K/DL3DV-10K/WorldScore에서 기존 latent-space 생성 방법 능가, SOTA 복원 성능 매칭
- geometry perception loss 제거 시 PSNR 1.13dB, AUC@5 12.5% 상대 감소로 효명성 입증
- 570LLMs / NLP
Gemma 4 Technical Report
- 2.3B~31B dense + 26B-A4B MoE로 구성, 전 모델에 thinking mode 탑재
- 12B 모델: 비전/오디오 인코더 제거, raw 패치를 LLM 임베딩 공간에 직접 투영하는 encoder-free 아키텍처
- KV cache 공유 + keys-as-values + p-RoPE로 global KV cache 37.5% 절감
- QAT 양자화: 31B 모델 64GB→19.2GB, 오디오 인코더 390MB→87MB(78% 감소)
- Arena Elo 1451(31B)로 리딩 dense open 모델, RULER 128k에서 96.4% 정확도
- 569Machine Learning
CompactionRL: Reinforcement Learning with Context Compaction for Long-Horizon Agents
- 컨텍스트 압축(요약)을 RL 훈련 루프에 통합, 요약을 학습 가능한 정책 일부로 만듦
- 토큰 수준 손실 정규화로 세그먼트 길이 편향 보정 + 교차 궤적 GAE로 압축 경계 너머 신용 할당
- GLM-4.5-Air(106B): SWE-bench Verified 66.8%(+7.0), Terminal-Bench 2.0 24.5%(+3.1)
- GLM-4.7-Flash(30B): SWE-bench Verified 56.0%(+5.5), Terminal-Bench 2.0 20.2%(+6.8)
- 요약 훈련 포함 시 요약 길이가 증가하며 더 상세한 압축 상태 생성, 추론 토큰도 증가하여 유효 컨텍스트 확장
- 568LLMs / NLP
UI-MOPD: Multi-Platform On-Policy Distillation for Continual GUI Agent Learning
- 멀티티처 온폴리시 증료(MOPD)를 GUI 에이전트 크로스플랫폼 지속학습에 최초 도입
- Uni-GUI: 약 10K 고품질 크로스플랫폼 GUI 상호작용 궤적 데이터셋 구축
- 플랫폼 라우터가 환경에 따라 교사를 동적 선택, 행동 규칙 혼합과 치명적 망각 방지
- OSWorld 38.2%(+12.7%), MobileWorld 12.0%(+55.8%) 상대 향상으로 단일 8B 모델이 양 플랫폼에서 동시 개선
- GUI 그라운딩 능력도 보존: ScreenSpot-Pro 43.14%, ScreenSpotV2 90.88%로 기반 모델 대비 최소 손실
- 567LLMs / NLP
EdgeBench: Unveiling Scaling Laws of Learning from Real-World Environments
- 환경 학습 평균 성능이 log-sigmoid 스케일링 법칙을 따름 (R²=0.998), 6개 태스크 패밀리 모두에서 안정적
- 134개 실세계 태스크: 각 12시간+ 연속 실행, 인간 전문가 평균 57.2시간 소요 대형 과제
- 프론티어 에이전트 학습 속도가 약 3개월마다 2배 향상 (2025년 9월 이후 모델 기준)
- 연속 경험 > 독립 재시작: 누적 경험이 장기 성능을 강하게 결정
- 이론: 잠재 태스크 그래프에서의 frontier expansion 과정으로 log-sigmoid 형태 도출
- 566AI / General
ResearchStudio-Idea: An Evidence-Grounded Research-Ideation Skill Suite from ML Conference Outcomes
- 1,947편 ML 컨퍼런스 논문(Oral/HC/Reject)에서 15개 아이디에이션 패턴, 31개 서브패턴, 28개 연구 도메인 추출
- 패턴 카드: 성공 조건 + 실패 모드 대비 구조로, 단순 분류가 아닌 운영 도구로 설계
- IdeaSpark: 갭 발견 → 패턴 매칭 → 후보 생성 → 충돌 검색 → 감사 의사결정의 다단계 추론 파이프라인
- 거부 논문도 동일한 15패턴 공간에 매핑, 대비 증거로 활용 가능함을 입증
- 자동 평가에서 아이디어 품질 향상 확인, 단 인간 블라인드 평가는 향후 과제
- 565Computer Vision
Vision Pretraining for Dense Spatial Perception
- 경계를 출력이 아닌 고밀도 학습 신호로 재정의, 자기지도 사전학습에 경계 모델링 도입
- Masked boundary modeling: 교사의 경계 예측을 마스킹 타겟으로 사용, 기하학적 라우팅으로 의미·경계 갈등 해소
- 경계 필드의 범주적 재매개변수화로 안정적인 dense self-distillation 가능
- 1B LingBot-Vision이 NYU-Depth v2 정확도에서 7B DINOv3 능가, 14개 depth completion 벤치마크 SOTA
- 0.3B 증류 모델이 약 23배 적은 파라미터로 7B DINOv3와 동등한 NYU-Depth v2 정확도 달성
- 564Robotics
RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies
- 42개 시뮬레이션 + 18개 실세계 태스크로 5개 역량 차원(일반화, 기억, 정밀도, 장기 실행, 개방 명령) 평가
- Isaac Sim 기반 이기종 병렬 시뮬레이션으로 평가 처리량 대폭 향상
- RoboDojo-RealEval: 표준화된 하드웨어·장면 리셋·평가 프로토콜로 재현 가능한 실세계 평가 시스템
- XPolicyLab에 30개 정책 통합 후 공개 리더보드 구축, 시뮬/실세계 교차 평가 수행
- 시뮬레이션 평이 GPU 간 표준편차 최대 1.1%p, 실세계 반복 평가 표준편차 최대 1.3%p로 안정성 확인
- 563AI / General
PACE: A Proxy for Agentic Capability Evaluation
- 핵심 아이디어: 비싼 에이전틱 평가를 저렴한 단일 턴 벤치마크 점수로 예측—100개 proxy 인스턴스로 충분
- 이중 선택: SVD leverage(기하학적 정보량) + rank correlation(타겟 관련성)을 타겟별 가중치로 결합
- LOOCV 결과: MAE 3.80%, Spearman 0.81, pairwise accuracy 84.4%—14개 모델·4개 타겟 검증
- 비용 효율: 동일 품질 무작위 샘플링 대비 ~100× 저렴—에이전틱 평가를 일상적 모델 개발 단계에 도입 가능
- 해석 가능성: 선별 인스턴스의 능력 분포가 각 벤치마크 요구 역량(GAIA=IF+검증, SWT=계획+테스트)을 명확히 반영
- 562AI / General
AgenticSTS: A Bounded-Memory Testbed for Long-Horizon LLM Agents
- 메모리 = 저장소가 아닌 '의사결정 가시성 계약'—raw transcript 누적 없이 타입드 검색으로 per-decision 구성
- 5개 슬롯(L1-L5) 개별 ablation 가능: L5 트리거 스킬이 최대 기여(3/10→6/10, directional p≈0.37)
- 프롬프트 ~5k 고정: STS2MCP는 단일 run에서 ~527k/call까지 팽창—token 효율 1-2 자릿수 우위
- Slay the Spire 2 A0(인간 승률 16%, 프롯티어 LLM 0승)를 테스트베드로 사용—hard but unsaturated
- 298개 궤적 + SHA-anchored L4/L5 스냅샷 + 프롬프트 기록 + Wilson/bootstrap 스크립트 공개
- cross-backbone probe(Gemini·Qwen·DeepSeek)로 동일 ablation surface 검증
- 561Robotics
VLA-Corrector: Lightweight Detect-and-Correct Inference for Adaptive Action Horizon
- 핵심 문제의식: 고정 action horizon에서 H가 길수록 정책 호출 비용은 절감되나 open-loop 맹점으로 누적 오차 발생
- LVM(40M)이 latent space에서 시각적 동태 편차를 실시간 감지—백본 재학습 불필요(plug-and-play)
- 적응형 action horizon: 신뢰 구간에서는 긴 chunk 유지, 이탈 감지 시 즉시 절단 후 OGG 재추론
- π0.5 horizon 50: 성공률 48.7%→58.7%, 평균 호출 5.15→4.98로 success-per-call 효율 +24.6%
- 실세계 교란 회복: 기존 40.0%→68.3%(+28.3%), 정밀 정렬 작업 +16.6% 향상
- 절단의 83.7%가 critical phase(파지·정렬)에서 발생—모니터가 의미있는 시점을 올바로 포착
- 560Computer Vision
PointDiT: Pixel-Space Diffusion for Monocular Geometry Estimation
- 핵심 혁신: latent space(VAE)를 거치지 않고 raw 3D point map에 직접 diffusion을 적용하는 최초의 pixel-space 접근
- x-prediction(클린 point map 직접 예측)이 v-prediction보다 압도적 우위—v-pred는 Rel 35.44 vs x-pred 9.29
- DINOv3 4-layer 특징 주입이 경계 선명도(BF1)를 13.47로 끌어올림—MoGe-2(11.75), DA3(12.58)보다 우수
- 생성형 접근이 결정론적 회귀보다 경계 품질(BF1 13.92 vs 10.90)과 모호 영역 처리에서 확실한 우위
- ICML 2026(서울) 채택—pixel-space diffusion이 자연 이미지를 넘어 3D/4D 기하학으로 확장될 수 있음을 입증
- 559Robotics
Learning to Move Before Learning to Do: Task-Agnostic pretraining for VLAs
- Decomposition Hypothesis: 'how to move'(물리)와 'what to do'(의미) 분리, 후자만 언어 필요
- 역동역학 목적함수로 관계없는 궤적/자율 주행 데이터에서 물리적 사전 학습
- SIMPLER: 1M+ 전문가 데이터 모델과 동등, 행동 복제 대비 +10% 절대 향상
- 실제 WidowX: 카메라 교란 시 인터넷 스케일 baseline(0%) 대비 25% 성공률 유지
- partial success 31.8%→45.8%: 물리적 사전의 전이 가능성 입증
- Stage 1 스케일이 성능 상한을 결정, Stage 2 연장은 한계 수익 체감
- 558LLMs / NLP
Measuring the Gap Between Human and LLM Research Ideas
- 2축 연구 취향 분류법 도입: opportunity pattern(7종) × method paradigm(6종), NSF/NIH/DARPA 기반
- LLM은 'bridge opportunity' 47-64% vs 인간 12.1%, 'synthesis/unification' 22-39% vs 인간 5.1%
- 인간 아이디어가 두 축 모두에서 일관되게 높은 정규화 엔트로피→더 넓은 분포
- LLM 간 코사인 유사도(0.83)가 인간-LLM 유사도(0.72-0.78)보다 높음→모델 간 수렴 현상
- LLM은 'integrate/unify' 아키타입 34.2% vs 인간 2.35%, 인간은 'replace/decouple'에 집중
- 핵결: LLM 아이디어는 합리적이지만 분포적으로 좁음, '연구 취향 정렬'이 과제
- 557Machine Learning
QuasiMoTTo: Quasi-Monte Carlo Test-Time Scaling
- autoregressive sampling을 inverse-CDF 샘플링으로 재매개화하여 QMC 균등수를 LM 샘플로 변환
- 각 샘플은 marginally 정확(동일 LM 분포)이면서 batch 차원에서는 음의 상관관계로 커버리지 증대
- pass@k: 4개 추론 벤치마크에서 동일 성능을 25-47% 적은 샘플로 달성
- GRPO RL: 동일 pass@1을 50% 적은 훈련 스텝으로 달성, zero-variance group 비율 감소
- lattice > stratified > Sobol > i.i.d. 순으로 커버리지 증가, 자유도-커버리지 트레이드오프 정량화
- 한계: 1-2B 모델/짧은 출력에만 검증, long-CoT로의 확장은 future work
- 556AI / General
Purified OPSD: On-Policy Self-Distillation Without Losing How to Think
- OPSD가 Qwen3-8B, Qwen3-4B, R1-Distill-7B, OLMo-7B 4개 long-CoT 모델에서 일관되게 실패
- 교사 신호 분해: reference-induced 성분이 업데이트 방향·크기 모두를 지배, question-conditioned 성분은 직교 또는 반대
- epistemic marker('Wait','Maybe' 등)가 OPSD 훈련 중 폭발 또는 붕괴→반성적 추론 능력 손상
- PMI 타겟 분포: log πT - log πref로 비전이 성분 제거, β와 c 파라미터에 강건
- AIME 2024/2025에서 OPSD-Standard 대비 일관된 성능 향상, base model도 능가
- 소프트 클리핑 임계값 c∈{5,10,20}과 보정 강도 β∈{0.5,1,2} 모두에서 안정적 개선
- 555Machine Learning
Denser $\neq$ Better: Limits of On-Policy Self-Distillation for Continual Post-Training
- SDPO는 단일 도메인 특화에는 효과적이지만 OOD 일반화와 연속 학습에서는 취약
- GRPO 대비 SDPO가 파라미터 드리프트(NSS, Principal Angle)와 응답 임베딩 변화 모두에서 더 큰 변화
- SDPO 5%에서 '\boxed' 토큰 무한 반복 붕괴 발생→토큰 수준 감독의 아티팩트 증폭 메커니즘
- Theorem 1: SDPO의 KL 드리프트가 GRPO의 KL-minimal Razor 정책보다 항상 크거나 같음을 증명
- 핵심 교훈: on-policy 데이터 ≠ 망각 완화, 목적함수의 밀집도가 안정성을 결정
- 데이터 순서 변경이나 토큰 마스킹으로 붕괴가 부분적으로만 완화→근본적 한계 존재
- 554Computer Vision
Representation Distribution Matching for One-Step Visual Generation
- RDM을 '분포 비교'와 '표현 공간' 두 축으로 체계화하고 각각의 최적 설계를 도출
- MMD가 Nyström 근사+큰 배치(2048 이상)로 추정될 때 강력한 목적함수가 됨을 입증
- 단일 인코더는 게임 가능→14개 인코더로 SWr14 평가 지표 제안, 학습 손실과 독립적으로 게임 저항
- iRDM: ImageNet 1단계 SOTA SWr14 1.30, PickScore 71.2% 승률
- FLUX.2[klein] 4단계→1단계 압축: GenEval 0.826(원본 0.794), 90 H200 GPU시간
- 제약 최적화(Proportional Lagrangian)로 인코더 간 균형 유지하여 weakest encoder 개선
- 553Robotics
Freeform Preference Learning for Robotic Manipulation
- 이진 선호도의 모호성 해결: 자연어 축(속도/안전/정밀도 등)을 정의하고 축별 pair 선호 수집
- Bradley-Terry를 다차원으로 확장: 언어 라벨로 조건부된 단일 보상 모델이 축별 스칼라 보상 출력
- VLM(Qwen VL 3.5 4B) 기반 보상 모델로 시각+언어 이해를 결합한 보상 학습
- sparse reward 대비 38%p, binary preference 대비도 유의미한 성능 격차 달성
- 학습 데이터에 없는 빠른 속도+새로운 타겟 조합(compositionality) 창발
- 테스트 시간 보상 조건 변경으로 재훈련 없이 정책 행동 조향 가능(steerability)
- 552Robotics
AutoSpeed: Annotation-Free Stage-Adaptive Motion Speed Learning for Robot Manipulation
- 속도나 단계 주석 없이 end-to-end 학습만으로 단계별 적응 속도를 암시적 추론하는 최초의 프레임워크
- DCT 기반 주파수 영역 스케일링으로 비정수 배율 가감속을 구현하며 고주파 액션 디테일 보존
- 복합 비용 J = E/w + log(h)로 예측 오차와 시야 길이의 트레이드오프를 관리하는 다중 타겟 선택적 최적화
- 비생성형(MLP) 및 생성형(diffusion/flow) 정책 모두에 적용 가능한 모델 비의존적 설계
- 실제 로봇 4태스크 평균 1.78배 실행 시간 단축, Place the Toy 태스크에서 성공률 10%p 향상
- 추론된 속도 비율이 태스크 단계(도달, 조립, 정밀 삽입 등)와 강한 대응 관계를 보임
- 551Machine Learning
Program-as-Weights: A Programming Paradigm for Fuzzy Functions
- 자연어 명세 → 의사 프로그램(텍스트) + LoRA 가중치(연속)의 하이브리드 '신경 프로그램'으로 컴파일하는 새로운 패러다임 제안
- FuzzyBench-10M: 29개 주제 버전, 800+ 카테고리, 1000만 예제의 퍼지 함수 데이터셋 공개
- 0.6B 인터프리터 + PAW 프로그램이 Qwen3-32B 직접 프롬프팅을 정확도로 능가 (73.78% vs 68.70%)
- MacBook M3에서 양자화 시 430MB 공유 베이스 + 23MB/함수 LoRA로 30 tok/s 오프라인 실행
- 비전-언어 모델로 컴파일러만 교체하면 이미지 조건부 퍼지 태스크로 확장 가능
- 컴파일된 프로그램은 버전 관리, 패키지 매니저 배포, Python/JS 2줄 API 호출이 가능한 재사용 가능 artifact
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기