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.
- 550Machine Learning
A Mathematical Introduction to Diffusion Models
- Langevin dynamics와 ULA/MALA의 수렴 보장이 log-Sobolev 부등식 하에서 KL 수축으로 증명됨
- Tweedie 항등식과 reverse-time SDE가 확산 모델의 이론적 골격을 형성하며, Polchinski flow와 확률 국산화로 동일한 Gaussian 채널을 재해석함
- DDPM 이산화 오차가 early stopping, KL telescoping, score error 세 항으로 분해되어 분석됨
- 이산 확산 모델은 연속 시간 Markov chain으로 noising SDE를 대체하며 유한 상태 공간에서 오차 분석이 재구성됨
- Guidance, reward tilting, path-space control, 추론 시간 강화학습으로 훈련된 모델의 추론 시간 조향 방법을 체계화함
- 50개 이상의 참고문헌과 부록(Itô 미적분, Gaussian 도구함)으로 자체 완결성을 확보함
- 549Distributed Systems
Next-Generation Agentic Reinforcement Learning Systems Enable Self-Evolving Agents
- 자가진화 에이전트의 병목은 RL 알고리즘이 아니라 시스템 기반(ATDP·데이터 프록시·진화 제어면)이라는 핵심 주장
- ATDP: step 수준 의사결정 맥락, 액션, 결과, 지연 보상, 거버넌스 메타데이터를 포함하는 벤더 중립 프로토콜 제안
- 진화 제어면: 궤적 통계·평가 점수·사용자 정정률·비용·안전 제약을 기반으로 메모리/스킬/하니스/가중치/롤백 중 자동 선택
- AREAL2.0: 기존 RL 프레임워크를 온라인 에이전트 서비스 지향 RL 루프로 재조직한 프로토타입 — gateway 교체만으로 에이전트 서비스의 LLM 호출을 RL 학습 루프로 편입
- OpenClaw를 개인용 자가진화 에이전트의 사례로 인용하며, 기업 수준 거버넌스와의 격차를 분석
- 자가진화를 단순 가중치 업데이트가 아닌 복합 정책(LLM+하니스+메모리+도구)의 다면적 개선으로 정의
- 548Computer Vision
WorldDirector: Building Controllable World Simulators with Persistent Dynamic Memory
- 동적 객체의 움직임 계획과 비디오 합성을 명시적으로 분리 — 물리적 논리와 외형 안정성 동시 보장
- LLM 오케스트레이터가 3D 궤적 생성 → 2D 투영으로 비디오 생성 모델에 위치 조건 제공
- Appearance Binding: 객체가 화면 밖에 있던 시간과 무관하게 재등장 시 외형 정합성 보존
- PSNR 18.127, SSIM 0.502, LPIPS 0.359로 모든 재구성 메트릭에서 SOTA
- 동적 객체 일관성 DSC_DINO 0.769, DSC_CLIP 0.917로 기존 방법 대비 압도적 우위
- Promptable World Events로 초기 프레임에 없는 새 객체의 등장 시점·동작·궤적까지 자유롭게 설계 가능
- 547Computer Vision
World from Motion: Generative Dynamic Gaussian Reconstruction from Monocular Video
- 최초로 비디오 생성 모델을 동적 3DGS 표현에 조건부화하는 방법 제안 — geometry, appearance, 3D motion을 reference/target 뷰 따라 렌더링
- DyCheck 벤치마크 mPSNR 19.98, mSSIM 0.716, mLPIPS 0.178로 모든 기준에서 SOTA 달성
- 생성된 샘플을 다시 동적 3DGS로 증류하는 최적화 과정에서 3D track 정확도도 향상 (PCK@0.05: MoSca 0.824 → 0.862)
- 가상 카메라 수가 증가할수록 재구성 품질이 단조 향상되며 8대 이후 수렴 (mPSNR 18.69→19.78)
- CAT4D, Vista4D 등 생성 기반 방법 및 WorldTree, ViDAR 등 재구성 기반 방법 모두 능가
- 야생 비디오에서 visual outpainting, 동역학 교정, 시야 외 동역학 추론까지 수행 가능
- 546AI / General
Seed2.0 Model Card: Towards Intelligence Frontier for Real-World Complexity
- Pro/Lite/Mini 3종 크기로 성능-속도 균형 선택 가능 — Mini는 pref ill $0.03/M, decode $0.31/M 토큰
- GPT-5.2($1.75/$14), Claude Opus 4.5($5/$25) 대비 Seed2.0 Pro는 $0.47/$2.37로 비용 효율 압도적
- 중국 MaaS 트래픽: 인터넷 산업이 압도적(제조·자동차·통신은 각 <1%), 시나리오는 비정형 정보 처리가 최대
- 에이전트 코딩 요청: 프론트엔드 개발과 버그 수정이 압도적 — Vue.js가 React보다 3배 이상 사용
- Erdos 문제 및 Scientific Coding 등 연구 수준 추론 태스크에서 경쟁력 확보 목표
- Seed2.0은 Claude/Gemini와 코딩(SWE-Evo, NL2Repo) 및 long-tail 지식(SuperGPQA)에서 여전히 격차 존재를 인정
- 545AI / General
AutoMem: Automated Learning of Memory as a Cognitive Skill
- 파일 시스템(read/write/search/append/create)을 태스크 액션과 동등한 1급 메모리 액션으로 승격 — 모든 메모리 결정이 추적 가능한 액션
- Outer-loop 1: 메타-LLM이 최대 10만 스텝 궤적을 리뷰하여 agent scaffold(코드/프롬프트/메모리 스키마)를 자동 개선
- Outer-loop 2: 에이전트의 좋은 메모리 결정을 추출하여 전용 memory specialist 모델을 LoRA 파인튜닝 (task model은 동결)
- 메모리 최적화만으로 태스크 모델 가중치 수정 없이 2-4배 성능 향상 — 메모리가 모델 스케일보다 더 높은 레버리지
- 32B 최적화 에이전트가 72B를 능가하며 Claude Opus 4.5, Gemini 3.1 Pro Thinking 급에 도달
- 인지과학의 메타메모리(metamemory) 개념을 LLM 에이전트의 구체적 최적화 타겟으로 전환한 최초의 사례
- 544Robotics
ASPIRE: Agentic /Skills Discovery for Robotics
- 폐루프 로봇 실행 엔진이 primitive별 다중모달 트레이스(지각 overlay, 파지 후보, 궤적, 충돌 피드백)를 노출하여 에이전트의 자율 실패 진단·수정 가능
- 검증된 수정 패턴을 스킬 라이브러리에 축적하여 후속 태스크에서 in-context guidance로 재사용 — 태스크가 많아질수록 적응 속도 향상
- 진화 탐색으로 단일 궤적 수정을 넘어 다양한 프로그램 후보를 병렬 탐색하여 성공률 추가 향상
- LIBERO-Pro Long에서 제로샷 31% 성공률 달성 (기존 방법 4%) — 누적 스킬 라이브러리의 일반화 효과
- 시뮬레이션 스킬을 실제 양솔 로봇에 전이 시 추론 토큰를 약 10배 절감하며 성공률도 향상
- 실행 엔진이 없을 때 macro-average 14% → 엔진 추가 후 62% → 진화 탐색 추가 후 72%로 단계적 향상
- 543Computer Vision
LeVLJEPA: End-to-End Vision-Language Pretraining Without Negatives
- 비전-언어 사전학습에서 negative pair 없이 cross-modal prediction + SIGReg 정규화만으로 안정적 대규모 훈련 가능함을 최초로 입증
- VLM 백본으로 사용 시 GQA 44.6%, VQAv2 54.2%, POPE 66.9%(Llama-1N 기준)로 CLIP/SigLIP 모두 능가
- Semantic segmentation에서 대비 학습 기반 대비 우수한 dense semantic feature 품질 — patch-token 수준에서 구조화된 정보 보존
- Zero-shot 분류에서는 대비 학습이 여전히 우위지만, 백본 활용에서는 zero-shot 성적이 오히려 역상관 관계
- 전체 학습에 negative/temperature/momentum/teacher-student 불필요 → 학습 recipe의 단순화 및 비용 절감
- 객체 중심 표현 학습에 유리하여 배경 robustness에서도 대비 기반 대비 우수
- 542Machine Learning
Is One Layer Enough? Training A Single Transformer Layer Can Match Full-Parameter RL Training
- 단일 transformer 레이어만 훈련해도 최대 114%까지 전체 RL 이익을 회복 가능하며, 최약 레이어는 30% 미만에 불과
- 고기여 레이어는 네트워크 깊이의 약 40-60% 중간층에 일관되게 집중됨 — 모델 스케일·패밀리·RL 알고리즘·데이터셋에 무관
- Layer contribution 순위는 데이터셋 간 Spearman ρ=0.76, 태스크 간 ρ=0.59로 안정적
- 고기여 레이어에 학습률을 높이거나 선택적 훈련을 적용하면 전체 RL 대비 Qwen3-1.7B +43%, 4B +27%, 8B +32% 추가 이익
- 서로 다른 레이어에서 훈련된 모델들은 상호 보완적 행동을 보이며, majority voting으로 추가 성능 향상 가능
- 전체 훈련 시 weight change magnitude는 레이어 간 비교적 균일하나, 기여도는 극단적으로 불균일 → parameter subspace의 효율성 차이가 핵심
- 541AI / General
FARS: A Fully Automated Research System Deployed at Scale
- 완전 자동 4단계 파이프라인: Ideation -> Planning -> Experiment -> Writing, 단계별 전문 에이전트 + 공유 워크스페이스
- 67개 세분 AI/ML 주제, 166편 논문 생성 — 선택된 샘플이 아닌 전체 산출물 보존(성공/실패/부정 결과 모두)
- 282건의 구조화된 자원봉사 리뷰(140편 커버): 평점, 건전성, 발표, 기여도, 무결성 체크, LLM 사용 공개 포함
- Stanford Agentic Reviewer 교차 비교: FARS 5.00/10(165편)으로 DeepScientist(4.13), ScientistOne(4.00) 등 기존 시스템 모두 앞섬
- 인간 리뷰 평균 3.23/10 — 자동 리뷰어보다 엄격하지만 방향성은 일치, 11.4%가 자동 리뷰 기준 accept 임계값 도달
- 반복적 실패 모드: 실험 범위 협소, 방법론 한계, 무결성 이슈(claim-artifact 불일치 등) — 표면 발표가 아닌 기여도/실험 충분성/서술 충실성이 병목
- 540Computer Vision
CoLT: Teaching Multi-Modal Models to Think with Chain of Latent Thoughts
- 문제의식: 텍스트 CoT는 수천 토큰을 자가회귀적으로 생성해야 해서 추론 지연이 크고, 자연어 표현으로 인해 대체 추론 경로가 소실됨
- 3방향 step-level 감독: forward decoding(잠재->텍스트), backward decoding(텍스트->잠재), internal supervision(잠재 단계 간 전이 일관성)
- 추론 시 디코더와 내부 감독 제거 -> 단 3개 잠재 벡터로 추론 완료, 추가 파라미터 오버헤드 없음
- Qwen3-VL-8B 기반 8개 벤치마크(MMStar, MathVista, SeedBench 등)에서 Text CoT 및 기존 latent reasoning 일관되게 능가
- 추론 속도: 텍스트 CoT 7.24초(142 토큰) vs CoLT 0.32초(3 잠재 벡터) -> 22.6배 디코딩 속도, 10.1배 end-to-end 속도 향상
- 노이즈 강인성도 우수: 시각/텍스트 노이즈 조건에서 Direct Answer(7.2~19.0% 저하), Text CoT(5.0~13.8%) 대비 CoLT는 2.8~9.0% 저하에 그침
- 539LLMs / NLP
Parametric Skills
- 핵심 문제: in-context 스킬은 모델의 지시사항 이해/준수 능력에 제약받으며, 특히 오픈소스 모델이나 긴 컨텍스트에서 성능 급락
- 해결책: hypernetwork가 텍스트 스킬을 입력받아 단일 forward pass로 LoRA 어댑터 생성 -> 컨텍스트 윈도우 소모 없이 스킬 적용
- 45.8k 규모 고품질 스킬 라이브러리 구축(웹 크롤링 + 실제 에이전트 궤적 요약), 13개 도메인 커버
- SWE 6개 과제 평가: ParametricSkills 64.09 vs In-Context 57.65 vs SHINE 48.48(LLM judge 평균) — SHINE은 스킬 내용+활용법을 충실히 압축하지 못함
- Rank-concatenation 병합으로 다중 스킬 조합 시 single-LoRA 대비 동등 이상 성능, factor-wise linear 병합보다 우수
- HumanEval 기반 self-evolving 실험: 5라운드 반복으로 75%->84.76% 정확도 향상, online continual merge 시 29%->51.6%로 추가 향상
- 538Computer Vision
ABot-M0.5: Unified Mobility-and-Manipulation World Action Model
- 3대 구조적 병목 식별: 시간 해상도 불일치(거친 비디오 vs 세밀한 제어), 행동 공간 불일치(네비게이션 vs 매니퓰레이션), 학습-추론 맥락 불일치
- 중간 잠재 행동(latent action) 도입: 비디오 잠재표현과 embodiment-specific 제어 사이 브릿지 역할, local visual state transition 포착
- Dual-level Mixture-of-Transformers: 모달리티 표현과 이질적 행동 부분공간(베이스 이동/팔 조작)을 분리하여 각각 최적화
- Dream Forcing: 모델이 예측한(dream) 비디오로 역동학 학습 → autoregressive 추론과 훈련 조건 정합, 장시간 롤아웃 오류 누적 감소
- RoboCasa365 모바일 조작 90.8%/75.4%/58.4%(난이도별), 실제 로봇 페그 삽입 70% 성공률/96% 프로세스 점수 (대비 pi0.5: 50%/90%, Fast-WAM: 30%/77%)
- 실제 로봇 장시간 과제(접시 정렬, 과일 정렬, 꽃꽂이 등) 60~80% 성공률, Fast-WAM(20~40%) 대비 큰 폭 향상
- 537Machine Learning
TRIAGE: Role-Typed Credit Assignment for Agentic Reinforcement Learning
- 에이전트 RL의 핵심 문제: GRPO는 트라젝토리 성공/실패를 모든 행동에 동일 적용 → 유용한 탐색이 실패 롤아웃에서 벌받고, 후퇴 행동이 성공 롤아웃에서 보상받음
- 4역할 분류 체계: Decisive(결정적 진전), Exploration(유용한 탐색), No-progress(무의미), Regression(후퇴) — 역할별 차등 크레딧 룰 적용
- 역할 라벨만으로 MSE-최적 세그먼트 교정 가능함을 증명: judge가 신뢰할 수 있는 한도 내에서 advantage 추정 오차를 항상 감소시킴
- Qwen3-1.7B에서 ALFWorld 18.4점, WebShop 7.9점 향상; 완료 롤아웃 환경 턴 10.4%~14.8% 감소
- 회귀 억제가 주요 성능 원인(ALFWorld/WebShop에서 회귀 비율 약 48%/43%), 탐색 보너스는 0.6~1.7점의 일관된 보조 이득
- 스칼라 프로세스 보상이나 outcome-supervised value baseline보다 우수 → 단순 dense reward 추가가 아닌 역할 타이핑 자체가 효과
- 536Information Retrieval
GR2 Technical Report
- Semantic ID(≥99% 고유성) 미드트레이닝으로 LLM이 카탈로그 아이템을 직접 추론
- 강한 교사 모델(32B)에서 추론 트레이스 증류 → 학생 모델(8B)에 추론 사전 설치
- DAPO 기반 RL + 다중 보상(포맷+AUC/NDCG+LLM-as-judge)으로 리랭킹 특화 최적화
- 산업 트래픽 +18.7% R@1, +7.1% R@3, +9.6% N@3 개선
- On-Policy Distillation(OPD): 1.7B 모델로 32B 교사 이득의 ≈82%를 5% 크기로 회복
- 리워드 해킹(들어오는 순서 보존, 위치 편향) 방지용 조건부 보상 설계 필수
- 535Software Engineering
SWE-Together: Evaluating Coding Agents in Interactive User Sessions
- 11,260개 실제 세션에서 109개 검증 가능한 태스크 추출 (0.97% 전환율)
- 상태 조건부 LLM 사용자 시뮬레이터: 원래 의도 보존 + 궤적 적응형 피드백
- 최종 정확도 + User Correction(수정 턴 수) + Intent Coverage로 다차원 평가
- 강한 에이전트일수록 더 높은 성공률 + 더 적은 개입 횟수 → 사용자 경험 개선 시사
- 정적 SWE-Bench 방식의 한계: 단턴 명령 + 최종 코드만 평가로 실제 상호작용 누락
- 4개 업스트림 데이터소스(DataClaw, Pi-staging, Hyperswitch, SWE-chat) 활용
- 534Computer Vision
GPC: Large-Scale Generative Pretraining for Transferable Motor Control
- Finite Scalar Quantization(FSQ) 기반 이산 모션 표현 학습 - VQ-VAE의 코드북 문제 회피
- GPT 스타일 자기회귀 트랜스포머로 모션 토큰 분포 모델링 (next-token prediction)
- 600시간+ 대규모 모션 데이터셋 훈련, 99.98% 추적 성공률 달성
- 자연 발현 행동: 외란 대응, 낙하 후 복구 전략 등
- Parameter-Efficient Fine-Tuning(PEFT)로 새 태스크 적응
- SIGGRAPH 2026 컨퍼런스 페이퍼 - NVIDIA/Simon Fraser University 공동
- 533AI / General
Self-Evolving World Models for LLM Agent Planning
- 파라미터 업데이트 없이 배포 시점 컨텍스트만 수정하는 자가진화 세계 모델
- 에피소드 기억: 실제 액션 전환을 검색 기반 시뮬레이션으로 활용
- 의미 기억: 예측-관측 불일치에서 지속적 휴리스틱 규칙 추출
- 선택적 선견지: 저신뢰 예측을 에이전트 추론 컨텍스트에 통합하기 전 필터링
- ALFWorld/ScienceWorld에서 3개 백본 모두 최고 예측 정확도 달성
- 노이지 선견지는 액션 정확도를 해친다는 오라클 실험 결과 → 신뢰도 필터링의 중요성 입증
- 532Information Retrieval
ShopX: A Foundation Model for Intent-to-Item Fulfillment in Agentic Shopping
- intent-to-item fulfillment를 단일 모델에 통합: 의도 이해 + 실행 계획 + SID 네이티브 조작
- Semantic ID(SID) 설계: 의미적으로 복구 가능하고 LLM이 조작 가능한 형태
- 지속 사전학습 + 후학습 레시피로 일반 LLM을 쇼핑 에이전트로 특화
- Taobao 프로덕션 로그 기반 단턴/멀티턴 평가에서 기존 툴 중재 시스템 대비 우수
- 복합/모호한 요청에서 특히 큰 개선, 정밀도 88-97% 달성
- 모델 네이티브 설계로 에이전트 오케스트레이션-아이템 실행 간 손실 핸드오프 감소
- 531AI / General
OSWorld2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks
- 108개 장기 호라이즌 워크플로우, 인간 중앙값 1.6시간 / 에이전트 평균 318 툴콜 소요
- Claude Opus 4.8(max thinking) 20.6% 완료, GPT-5.5 13% 수준 - 토큰 효율은 더 좋음
- 10가지 챌린지 현상 정의: 동적 환경, 교차 출처 추론, 숨겨진 상태 추론, 충돌 해소 등
- 31개 자체 호스팅 웹 서비스(이메일·뱅킹·채팅 등)로 현실적 환경 구성
- 핵심 실패 원인: 제약 조건 망각, 중간 정보 누락, 추측, 검증 생략 (기본 GUI 조작 아님)
- 에이전트가 자체 예산의 7% 미만만 오류 감지·수정에 사용
- 530Machine Learning
AdaJEPA: An Adaptive Latent World Model
- JEPA 세계 모델 최초의 테스트 시점 적응 프레임워크 (Plan-Execute-Adapt-Replan 루프)
- 추가 전문가 시연 없이 관측된 전환만으로 자기지도 적응 수행
- 1회 그래디언트 스텝 per MPC 재계획만으로도 큰 성능 향상
- 인분포/아웃분포 목표 도달 태스크 모두에서 고정 모델 대비 유의미한 개선
- 훈련 데이터가 제한된 상황에서 특히 큰 이득 확인
- 최근-N 전략과 hard-N 전략 온라인 버퍼 관리 방식 비교
- 529AI / General
Xiaomi-GUI-0 Technical Report
- 실기기 중심 하이브리드 인프라: 물리 기기 메인 + 샌드박스 보조로 실배포와 동일한 실행 분포 확보
- 에러 기반 데이터 플라이휠: 롤아웃 실패 궤적을 교정 액션·반성 설명·복구 데모로 변환
- 3단계 점진 훈련: SFT(기본 조작) → Step RL(장기 계획) → Agentic RL(오류 복구)
- RealMobile 벤치마크 72.0%, AndroidWorld 78.9% 성공률 달성
- 실사용 환경의 계정 상태, 권한 다이얼로그, 결제 인증, 리스크 컨트롤 등 비정상 상태 대응 능력 강화
- 에뮬레이터 감지 메커니즘 우회 문제 해결을 위해 실기기 폐루환경 구축
- 528LLMs / NLP
MOPD: Multi-Teacher On-Policy Distillation for Capability Integration in LLM Post-Training
- 3단계 파이프라인: General SFT → Domain-specialised RL → Multi-teacher On-Policy Distillation
- 학생 rollout에서 per-token reverse KL로 교사-학생 정렬 → dense supervision + on-policy
- Qwen3-30B-A3B에서 차상위 baseline 대비 +5.5점, 교사-학생 간극의 91~95% 해소
- 도메인 교사 훈련이 병렬 가능 → 개발 처리량 향상, 도메인 간 결합 해제
- 동일 기원(same-origin) 교사가 안정적 최적화에 핵심적 (외부 교사 사용 시 발산 위험)
- MiMo-V2-Flash 산업 모델에 배포 → 실제 프론티어 규모 효용 검증
- 527AI / General
Domain-Informed Multi-View Self-Distillation for Astronomical Light-Curve Representation Learning with JEPA
- C-RoPE(Continuous Rotary Positional Embedding): 불규칙 관측 시간 간격을 회전 위치 인코딩으로 처리
- EANE(Error-Aware Numeric Embedding): 측정 불확실성(잡음)을 임베딩에 통합
- 3가지 도메인 view: raw 광도곡선, GLS 주기도, 위상 접기 곡선의 multi-view self-distillation
- StarEmbed 벤치마크 16개 지표 중 15개에서 수작업 특징 최초 능가 (macro-F1 42.56~63.58)
- 유사도 검색, 영점 드리프트 검출, 파라미터 추정 등 다운스트림 응용 검증
- PYRREGULAR 12개 비천문학 데이터셋 중 5개 SOTA → 도메인 특화 설계의 중요성 시사
- 526AI / General
DOPD: Dual On-policy Distillation
- Privilege illusion: 특권 정보로 인한 정보 비대칭이 능력 격차와 혼동되는 실패 패턴 정의
- Advantage-aware routing: 토큰별로 교사/학생 감독 소스를 동적 선택
- LLM에서 Vanilla OPD 대비 +7.5점, VLM에서 +6.0점 평균 향상
- 강한 교사 증류(전 어휘)와 약한 학생 자기 감독을 토큰 카테고리별 적용
- 지속 학습, OOD 일반화, 훈련 안정성에서 일관된 우위 검증
- 토큰 수준 분석: high-teacher/low-student 토큰이 핵심 능력 전달 담당
- 525Robotics
SimFoundry: Modular and Automated Scene Generation for Policy Learning and Evaluation
- 단일 비디오 → sim-ready 디지털 트윈 자동 생성 (F1 0.81~0.92, 3분 튜닝 시 0.93~0.99)
- Object/Scene/Task cousin: affordance를 보존하면서 다양성을 확보하는 장면 변형
- 7 과제 × 5 정책에서 sim 평가-실제 성능 Pearson 상관 0.911 (이전 SOTA 대비 +0.59)
- Cousin 데이터 훈련 정책이 zero-shot sim-to-real 전이에서 17~40% 성공률 향상
- YAM(99% Pot on Stove) 및 DROID(100% Stack Dishware)에서 뛰어난 zero-shot 전이 성공
- 다단계 조작, 관절 객체 상호작용, 양손 협업 등 기존 대비 복잡한 과제 처리
- 524Information Retrieval
Diagnosing and Mitigating Context Rot in Long-horizon Search
- Context rot: 누적 context로 인해 모델이 포기(give up)하거나 불확실한 답(uncertain answer)을 내는 현상 정의
- 4개 오픈소스 모델(Qwen3.5-397B, GLM-4.7 등) × 3개 벤치마크로 체계적 진단
- Context compaction, trimming, isolation 등 7가지 관리 방법을 성능·비용·rot 영향으로 평가
- Rot-aware filtering: 불확실/포기 궤적 제거로 2.6~4.9% 평균 성능 향상
- Compaction + trimming 결합이 비용 대비 rot 완화에서 최적의 균형
- Context isolation(서브에이전트)은 모델 의존성이 크며 강한 모델에서만 유효
- 523Machine Learning
ScaleAware-JEPA: Latent Representation for Discovery in Multiscale Physical Fields
- Constrained Diffusion Decomposition(CDD)으로 필드를 픽셀 단위 스케일 성분으로 분해
- CDD 스케일이 마스킹 기하학을 결정 → 물리적 스케일 계층과 예측 과제 정렬
- MHD 난류, NGC 3627 분자가스, 청두 야간 조명 등 3개 이질적 도메인에 적용
- 라벨, segmentation, 카탈로그 없이 dense latent atlas 생성 가능
- 고정 패치 마스크 대비 스케일 인지 마스킹의 우월성을 정량 검증
- Apple M3 Pro + RTX 3090 소비자용 하드웨어로 수행된 독립 연구
- 522Machine Learning
Towards Automating Scientific Review with Google's Paper Assistant Tool
- Segmenter → Adaptive Budgeting → Deep Review → Global Synthesis의 4단계 agent 파이프라인
- SPOT 벤치마크 수학 오류 검출에서 zero-shot 대비 34% recall 향상
- STOC, ICML 두 주요 컨퍼런스에서 사전 제출 도구로 파일럿 배포
- AI를 도구(Tool)/지원 리뷰어(Supporting Reviewer)/완전 자동화 등 4단계 역할 분류체계 제안
- Pass@k의 precision 저하와 context 한계를 segment별 deep review로 해결
- NeurIPS 2021 연구: 인간 리뷰어도 23% 불일치율 → AI 리뷰의 실용적 가치 시사
- 521LLMs / NLP
Scaling the Horizon, Not the Parameters: Reaching Trillion-Parameter Performance with a 35B Agent
- 35B MoE로 파라미터가 아닌 agent horizon 확장을 통한 성능 향상 경로 제시
- Knowledge-Action Graph(KAG): 증거·행동·관찰·검증 결과를 연결된 객체로 저장하는 장기 궤적 인프라
- 3단계 학습: 전 도메인 SFT → 도메인별 교사 RL → domain-routed 다중 교사 온정책 증류
- 평균 45K 토큰 길이의 agent 궤적 생성, 6개 이기종 도메인 통합
- SEAL-0(56.4), IFBench(80.6), FrontierScience-Olympiad(79.0) 등에서 1T 모델 능가
- Salient Vocabulary Alignment로 도메인 간 추론 패턴 충돌 완화
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기