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.
- 520Computer Vision
Orca: The World is in Your Mind
- Next-Token/Frame/Action Prediction이 아닌 Next-State-Prediction을 통합 패러다임으로 제안
- 무의식적 학습(연속 비디오에서 밀집 상태 전환) + 의식적 학습(언어 조건부 희소 이벤트 전환)의 두 보완적 패러다임 설계
- 125K시간 비디오, 160M 이벤트 annotation 규모의 대규모 world-learning 데이터 구축
- Encoder 동결 후 lightweight decoder만 학습하여 텍스트·이미지·행동 readout 수행
- 4B/0.8B 규모에서 확장성 검증 완료, 더 큰 world latent가 더 강한 downstream 성능으로 직결
- 현재 비전·언어로 제한된 모달리티, 단기 horizon 전환, 제한된 모델 규모 등 명확한 한계도 공유
- 519Robotics
World Action Models Enable Continual Imitation Learning with Recurrent Generative Replays
- WAM의 생성 능력(reconstructed future frames)을 pseudo-replay에 활용하는 최초의 continual imitation learning 접근
- 순차 미세조정(seq-FT) 대비 파멸적 망각을 최대 50% 감소시키며, 실제 demonstration에 접근하는 experience replay에 근접
- 재귀적 생성: WAM이 예측한 미래 관측을 다시 입력으로 feed back하여 완전한 궤적을 합성 (recurrent generative replay)
- 실제 로봇 환경에서도 유효: NBT 96.3→60.5 (40% 망각 감소), FWT 50→80으로 forward transfer도 개선
- 주요 병목 규명: (1) 장기 horizon 재귀 생성에서의 시각 품질 저하 (PSNR 감소), (2) 예측 관측과 action 간 불일치 (imagined 83% vs grounded 42%)
- Action representation drift 측정: REGEN(0.12)이 Seq-FT(0.30) 대비 현저히 낮은 drift로 표현 보존 확인
- 518Robotics
Translation as a Bridging Action: Transferring Manipulation Skills from Humans to Robots
- 인간 손의 회전 정보는 노이즈가 많고 parallel gripper와 contact pattern이 달라 rotation-inclusive 6DoF 학습은 sub-optimal이라고 주장
- 손목 병진(relative wrist translation in head-camera frame)을 bridging action으로 채택, 인간-로봇 간 공유 action space 구축
- Interleaved action token(3D-wrist → 6D-eef → gripper) + attention masking으로 이종 데이터의 missing component 처리
- 3단계 전략: 대규모 인간 데이터 사전학습 → 인간+로봇 공동 훈련 → 소량 실물 로봇 후속학습
- 로봇 데이터에 bridging action을 추가 감독하는 것이 필수적 (overall success 12.5%→38.3%)
- Upper bound 분석: embodiment gap을 제거하면 bridging objective가 더 강력한 전이 성능 달성 (overall progress 59.75%→73.54%)
- 517Robotics
SceneBot: Contact-Prompted General Humanoid Whole Body Tracking with Scene-Interaction
- 참조 모션 + per-link contact label을 정책 조건으로 사용하여 free-space와 contact-rich 행위를 단일 정책으로 통합 (최초)
- Hindsight scene reconstruction: retargeted human motion에서 scene-interaction graph를 추론하고 terrain/object asset을 역으로 재구성
- 7.5시간의 contact-rich 훈련 데이터(AMASS + OMOMO + Bones + Lafan 조합)로 unseen 모션/환경 일반화 달성
- Global root tracking이 필수적: 없으면 terrain 성공률 100%→45%, 객체 과제 95%→20%로 급락
- Contact label 제거 시 객체 파지 성공률이 0%에 수렴, 접촉 라벨의 결정적 역할 입증
- 실제 Unitree G1에서 평균 root 위치 오차 0.032m, 회전 오차 0.018rad로 state estimation 성능 확인
- 516AI / General
AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems
- 4단계 폐루프: Brainstorm(증거 기반 제안) → Developing(repo-grounded 코드 생성) → Evaluation(guardrail-vetoed A/B 판정) → Harness Evolution(SGPO)
- SGPO(Semantic-Gradient-based Prompt Optimization)로 실행 궤적을 에이전트 프롬프트 업데이트에 활용, 주당 처리량 2배 증가
- 3명의 AgentX worker가 3주간 374개 아이디어 → 10개 런처블 롤아웃 달성 (인간 엔지니어 대비 8배 동시성, 3.7배 비즈니스 가치)
- 온라인 A/B 피드백을 보상 신호로 사용하여 실제 비즈니스 가치와 정렬 (0.561% 앱 체류 시간 증가, 연간 1억 위안+)
- 추천 전략뿐 아니라 모델 측 연구(논문 재현, 모듈 절단, 아키텍처 조합)로 확장 가능함을 입증
- 부정 결과(실패한 실험)도 구조화 지식 자산으로 전환하는 negative-result assetization 메커니즘
- 515Computer Vision
PhysisForcing: Physics Reinforced World Simulator for Robotic Manipulation
- 물리적 오류의 두 원인(이동 객체 변형, 상호작용 entity 간 부자연스러운 시공간 상관관계)을 실험적으로 규명
- 픽셀 수준 궤적 정렬 손실(point tracking 기반)과 의미 수준 관계 정렬 손실(frozen video encoder 기반)을 상호 보완적으로 설계
- 물리적 감독을 interaction-critical region에 집중하는 physics region focus 전략 제안 (균일 적용 대비 +1.5pt 우수)
- R-Bench에서 Wan2.2-I2V-A14B +22.3%, Cosmos3-Nano +9.2% 개선 (vanilla finetuning 대비 각각 +7.1%, +3.7%)
- WorldArena action-planner 프로토콜에서 폐루프 성공률 16.0%→24.0%, downstream policy 평균 성공률 68.2%→72.8% 향상
- PF-Cosmos가 R-Bench, PAI-Bench, EZS-Bench 모두에서 최고 종합 점수 달성
- 514Computer Vision
Qwen-Image-2.0-RL Technical Report
- VLM을 pointwise scoring + CoT reasoning으로 파인튜닝하여 task별 복합 보상 모델 구축 (T2I: alignment/aesthetics/portrait, 편집: instruction/face ID)
- GRPO 기반 RL 프레임워크에 hybrid CFG 전략을 도입해 pre-trained 지식 보존과 훈련 안정성 동시 확보
- On-policy distillation(OPD)으로 T2I teacher와 편집 teacher를 trajectory-level velocity matching으로 단일 student 모델에 통합
- OPD가 mixed RL(다중 보상 동시 최적화) 대비 cross-task 간섭을 피하며 더 우수한 성능 달성
- Qwen-Image-Bench 57.84점(+2.61), T2I 아레나 Elo +78, 편집 아레나 Elo +93의 일관된 개선 확인
- 513Robotics
In-Context World Modeling for Robotic Control
- VLA 정식화에서 누락된 시스템 구성 ψ(카메라 시점·형태학)를 컨텍스트로 복원하는 문제 정식화
- 과제 독립적 무작위 탐색 클립 N개(보통 3~5개)를 컨텍스트로 prepend해 파라미터 업데이트 없이 시스템 동역학 암묵 추론
- 6개 OOD 시점 평균 성공률 25.0% (Multi-View 기준 19.8% 대비 +5.2pp); 잘못된 컨텍스트는 오히려 성능을 18.9%로 저하시켜 모델이 실제로 컨텍스트에 의존함을 입증
- 로봇 그리퍼에 20~80mm 스페이서 부착(형태학 변경) 시 MV 기준 5.6%에서 ICWM 14.4%로 +60% 마진 유지
- KV 캐싱으로 컨텍스트 hidden state 재사용 시 추론 지연을 기준선(0.112s) 수준으로 회복 가능
- 이 컨텍스트 적응 능력은 표준 모방 학습에서 자연 발생하지 않으며 명시적 훈련 인센티브가 필요함
- 512Machine Learning
The Red Queen Gödel Machine: Co-Evolving Agents and Their Evaluators
- 제어된 유틸리티 진화: 에폭 내 고정 기준 + 에폭 경계 교체로 비정상 유틸리티에서도 자기개선 보장을 유지
- 코딩 작업(Polyglot)에서 agent-as-a-judge 코드 리뷰 신호 추가로 이전 SOTA 대비 +1.8%p 합격률, 1.35~1.72× 적은 토큰 사용
- 논문 작성 영역에서 공동 진화된 작성자의 수용률 21.8%→40.5% (1.86× 향상)
- IMO 수준 증명 채점에서 공동 진화된 채점자가 고정 기준선 대비 3× 적은 탐색 비용으로 더 높은 정확도 달성
- 에폭 경계에 적대적 목표를 주입해 AI 생성 논문에 대한 심사자 자기선호 편향(AI 1.91× 과수용)을 교정
- 평가자가 강해질수록 작업 에이전트에게 커리큘럼 효과를 제공해 아카이브 재순위화와 점진적 강화를 유발
- 511AI / General
The Verification Horizon: No Silver Bullet for Coding Agent Rewards
- 단위 테스트 보상에서 품질 판정+궤적 모니터링 추가 시 SWE-Bench 해킹 해결률이 28.57%→0.56%로 급감, 정상 해결률은 40.22%→60.53%로 상승
- 프론트엔드 작업에서 브라우저 기반 상호작용 평가자를 도입해 정적 코드 검사에 취약한 길이 공격 해킹을 방어한다
- 사용자 피드백 보상으로 5개 내부 코딩 에이전트 벤치마크에서 최대 13.3%p 개선 달성
- 장기 과제용 자율 에이전트 평가자로 필터링한 데이터가 랜덤 샘플링 대비 RFT에서 +1.91점 향상 (23.52 vs 21.61)
- 검증의 3축(확장성·충실성·강인성)을 동시에 만족하는 단일 메커니즘은 없으며, 과제 유형별 맞춤 설계가 필수적이다
- 검증은 보조가 아닌 핵심 훈련 인프라이며, 정책 능력 성장에 맞춰 지속 공동 진화해야 한다
- 510AI / General
Ask, Don't Judge: Binary Questions for Interpretable LLM Evaluation and Self-Improvement
- 평가 기준을 원자적 이진 질문으로 분해하는 meta-prompt 구조로, 평가의 투명성과 진단 가능성을 크게 향상시킨다
- QAGS(사실 일관성)에서 UniEval 대비 Spearman ρ +0.195 개선 — 분해 자체가 정보 이득의 핵심 기여임을 입증
- G-Eval/UniEval이 5.0 만점을 주는 미묘한 사실 오류를 BINEVAL은 7개 질문으로 각각 포착해 1.57점으로 인간 판단(2.0)에 근접
- LLM judge의 고질적 ceiling effect를 회피해, 경계선 출력과 명확한 결함 출력을 더 잘 구분한다
- 질문 수준 피드백을 활용한 cross-model prompt update로 요약 및 IFBench 프롬프트를 모두 개선한다
- task-agnostic·training-free 설계로, 요약·대화·명령어 준수 등 다양한 태스크에 즉시 적용 가능하다
- 509Machine Learning
Training for the Model You Return: Improving Optimization for Iterate-Averaged Language Models
- iterate-average 최적화를 continuous-time stochastic quadratic 최적 제어 문제로 정식화
- PACE: AdamW 위에 얹는 lightweight wrapper, 추가 메모리 = model weights 1본
- convex 설정에서 standard SCO 수렴률 보장, 2차 설정에서는 임의로 큰 한정 오차 개선 가능
- SmolLM2/Qwen3/Gemma3 fine-tuning 3종 일관된 개선, GPT-2 FineWeb pretraining에서도 유효
- Schedule-Free와 경쟁적이면서 LR decay 불필요 — constant LR으로 WSD의 모든 token budget에서 우위
- pullback strength c, EMA power κ, update frequency에 대한 광범위한 ablation으로 견고성 입증
- 508Robotics
LA4VLA: Learning to Act without Seeing via Language-Action Pretraining
- 기존 VLA 학습의 시각-언어 비대칭 문제 체계적 분석 (data-level + input-level asymmetry)
- 33K LA 에피소드를 추가 데이터 수집 없이 기존 데모에서 자동 구축 (LA4-33K)
- LA-only 사전학습이 동일 규모 VLA-only 사전학습보다 일관되게 우수
- mixed LA-VLA 사전학습: MetaWorld 87.53%, LIBERO 96.28%, 실제 로봇 83.3% 달성
- 시각 노이즈 하에서 LA 사전학습 정책이 VLA-only 대비 평균 25pp 높은 성공률
- LA 사전학습 정책의 t-SNE 분석에서 명령어 방향별로 명확히 분리된 표현 형성 확인
- 507Machine Learning
Hallucination in World Models is Predictable and Preventable
- 환각 3가지 유형 정의: perceptual(tokenizer), action marginalization(dynamics), scene divergence(rollout)
- MMBench2: 65,600 궤도, 427시간, 210-task, 10 도메인, ground-truth action/reward/simulator 포함
- coverage-aware 학습으로 tokenizer+dynamics 모두 개선 시 rollout ΔPSNR +0.88dB 향상
- curiosity 기반 50 궤도 수집만으로 unseen 태스크 적응 성능 0.325 달성 (전문가/human 0.362의 ~90%)
- 환각 예측 신호들이 rollout ΔPSNR과 ρ≈0.80 상관관계를 보임
- off-the-shelf tokenizer(Wan 2.1 VAE) vs in-domain tokenizer 비교 분석 포함
- 506Machine Learning
Fast LeWorldModel
- action-prefix 예측으로 다중 horizon latent를 병렬 생성하여 순차 롤아웃의 병목 제거
- dynamics 모듈 시간 31.4s → 8.0s (3.9배 단축), CEM 전체 해결 시간 48% 감소
- open-loop latent loss의 초기값과 증가 기울기 모두 LeWM 대비 유의미하게 낮음
- 평균 계획 성공률 85.8% → 90.5% (Two-Room 98%, Push-T 96%, Cube 80%)
- terminal-only 예측보다 dense prefix supervision이 성능에 필수적임을 ablation으로 확인
- 물리 상태 probing에서 MLP probe 기준 agent 위치·블록 위치·각도 모두 최고 정확도 달성
- 505LLMs / NLP
OPID: On-Policy Skill Distillation for Agentic Reinforcement Learning
- 완료된 on-policy 궤적에서 hindsight skill을 직접 추출하므로 external skill library나 retrieval이 불필요하다.
- episode-level skill(전역 워크플로/실패 회피 규칙)과 step-level skill(국소 의사결정)의 2단계 계층 구조를 도입했다.
- critical-first routing: 중요 시점에는 step-level skill 사용, 나머지는 episode-level skill으로 fallback한다.
- ALFWorld 58.9%(GRPO 46.1% 대비 +12.8pt), WebShop 74.2%(GRPO 63.3% 대비 +10.9pt)를 달성했다.
- GRPO 학습 에이전트의 'hallucinated target' 오류(존재하지 않는 객체 탐색)를 skill 주입으로 해결하는 정성 분석을 제공한다.
- 추론 시 analyzer, external skill retrieval, privileged context가 전혀 필요 없는 training-time-only 프레임워크다.
- 504AI / General
The Hitchhiker's Guide to Agentic AI: From Foundations to Systems
- LLM 아키텍처(tokenization, transformer, attention)부터 GPU 시스템, Flash Attention까지 기초를 망라한다.
- RLHF, PPO, DPO, GRPO 등 정렬 기법과 Chain-of-Thought, test-time scaling 등 추론 기법을 다룬다.
- 에이전트 핵심: trajectory RL, RAG/Agentic RAG, in-context/external/episodic/semantic 메모리 시스템, 에이전트 핸네스 설계.
- MCP(Model Context Protocol), A2A(Agent-to-Agent) 프로토콜, 도구 사용과 에이전트 스킬을 체계적으로 정리했다.
- 중앙집중/분산/계층형 멀티에이전트 아키텍처와 에이전트 간 통신 패턴을 다룬다.
- 평가 방법론, 에이전트 UI 디자인, 프로덕션 배포까지 실무 전 단계를 커버한다 (600+ 페이지, 400+ 참고문헌).
- 503Computer Vision
Qwen-Image-Agent: Bridging the Context Gap in Real-World Image Generation
- T2I 모델의 실세 과제 실패 원인을 'Context Gap'으로 정의하고, 이를 해결하는 에이전트 패러다임을 제안했다.
- Context-Aware Planning을 3단계(information-level, content-level, generation-level)로 계층화하여 맥락 부재 식별→수집→할당을 수행한다.
- Context Grounding은 reasoning, web/image search, memory, feedback 4개 채널에서 맥락을 수집한다.
- IA-Bench(Plan/Reason/Search/Memory 4개 역량, 17개 과제, 730 테스트 인스턴스, 1801개 체크리스트 항목)를 새로 구성했다.
- MLLM backbone 지능이 전체 시스템 성능에 결정적이며, backbone 교체 시 대부분의 메트릭에서 큰 저하가 발생한다.
- 이미지 검색 과용이 오히려 생성 품질을 저하함을 발견하고, generator 능력에 맞춘 검색 경계 설정이 중요함을 확인했다.
- 502Machine Learning
Improving Neural Network Training by Decoupling the Magnitude and Direction of Weight Vectors
- 가중치 magnitude-direction 간섭을 수학적으로 분석: 방향 변화는 현재 magnitude에 반비례하고, magnitude는 방향 학습의 부산물로 증가한다.
- optimizer 내부에서 가중치를 fixed-norm direction + learnable gains로 분해하므로 모델 구조 변경 없이 적용 가능하다.
- weight decay와 warmup이 불필요해지며, 이는 large-scale 학습 레시피를 크게 단순화한다.
- 모델 폭이 달라도 최적 learning rate가 전이되어 LR 재튜닝이 필요 없다 (µP와 유사하나 직접 얻어짐).
- large MoE 모델에서 MuonMD는 AdamW와 동일 loss에 약 2배 적은 compute로 도달한다.
- 방향을 sphere에 고정하는 것이 대부분의 개선을 가져오고, learnable gains가 추가적인 정확도 향상을 제공한다.
- 501LLMs / NLP
Improved Large Language Diffusion Models
- masked diffusion 언어모델을 12T 토큰까지 스케일업한 최초의 사례로, 8B 파라미터로 from-scratch 학습했다.
- grouped-query attention 도입으로 KV-cache 메모리를 줄이고 tied embedding으로 파라미터를 7.62B로 경량화했다.
- confidence-based scoring으로 다지선다 평가에서 likelihood 방식 대비 PIQA +1.3, ARC-C +0.6, HellaSwag +2.3 향상했다.
- SFT를 12 epoch까지 진행할수록 GSM8K, MATH, MMLU-Pro가 지속적 향상되어 diffusion LLM에서 data-reuse 효과를 확인했다.
- Base 모델 기준 MMLU 74.8, BBH 71.3, GSM8K 81.9로 Qwen2.5 7B(71.9/63.9/78.9)를 여러 벤치마크에서 능가했다.
- Instruct 모델은 RL 정렬이 없어도 MMLU-Redux 76.4, GSM8K 89.0으로 경쟁적이나, code/math에서는 여전히 Qwen2.5 Instruct에 뒤진다.
- 500Computer Vision
DanceOPD: On-Policy Generative Field Distillation
- T2I, 로컬 편집, 글로벌 편집의 충돌을 velocity field 관점에서 정식화하고 on-policy distillation로 해결한다.
- 샘플별로 정확히 하나의 역량 필드만 할당하는 hard routing으로 target-field 모호성을 제거한다.
- GEditBench에서 기존 OPD baseline 대비 8.1% 향상, T2I 소스와 동등한 GenEval 성능을 유지했다.
- local+global 편집 조합에서 최고 경쟁 baseline 대비 16.1%, local edit 소스 대비 7.9% 향상했다.
- realism field 흡수 시 off-policy distillation 대비 9.9% 향상, student-teacher reward gap의 85.3%를 달성했다.
- CFG(classifier-free guidance)도 동일한 velocity MSE 목표 하에 흡수 가능함을 보였다.
- 499LLMs / NLP
Are We Ready For An Agent-Native Memory System?
- 에이전트 메모리를 4개 모듈(표현/저장, 추출, 검색/라우팅, 유지보수)로 체계적으로 분해하는 분석 프레임워크를 제안했다.
- 12개 메모리 시스템 + 2개 베이스라인을 5개 워크로드(11개 데이터셋)에서 통일된 테스트베드로 평가했다.
- 단일 아키텍처가 만능이 아니다. 복합 하이브리드는 대화형 QA에, 그래프 기반은 사실 회상에 강하나 시간 추론에는 취약하다.
- 메모리 추출은 write-time에 context를 보존하는 것이 핵심이다. 가Happy한 추출보다 넓은 보존이 downstream reasoning에 유리하다.
- 보수적 통합(conservative merge)이 delayed flush나 과도한 요약보다 장기 안정성에서 우위를 보인다.
- 고구조화 시스템은 인덱스 구축 시간과 쿼리 지연에서 수십~수백 배의 비용을 치르나 비례하는 정확도 향상은 없다.
- 497AI / General
Autodata: An agentic data scientist to create high quality synthetic data
- Autodata는 AI 에이전트가 데이터 과학자로 작동하여 고품질 훈련 및 평가 데이터를 구축하는 일반적인 방법이다
- 에이전트는 도구 사용, 데이터 큐레이션, 평가를 자동화하여 합성 데이터를 생성한다
- 496Machine Learning
AsyncOPD: How Stale Can On-Policy Distillation Be?
- AsyncOPD는 비동기 On-Policy Distillation(OPD)에서 오래된 데이터(stale data) 문제를 체계적으로 연구한다
- KL 방향이 stale 데이터 문제를 바꾼다는 것을 보이고(teacher-weighted forward KL는 robust, student-weighted reverse KL는 취약), reverse-KL OPD에서 학습 시점에 advantage를 재계산하는 것이 가장 효과적임을 보인다
- 495Computer Vision
Sol Video Inference Engine: Agent-Native Full-Stack Acceleration Framework for Efficient Video Generation
- Sol Video Inference Engine은 캐싱, 희소 어텐션, 토큰 프루닝, 양자화, 커널 퓨전의 다섯 가지 기술을 에이전트 가속화 스택으로 조직한다
- Cosmos3-Super(64B), LTX-2.3(22B), SANA-Video(2B) 세 가지 비디오 모델에 적용하여 VBench 품질을 거의 손실 없이 2배 이상의 엔드투엔드 가속을 달성한다
- 494Computer Vision
TuringViT: Making SOTA Vision Transformers Accessible to All
- TuringViT는 튜링 선형 어텐션(TLA)을 도입하여 고해상도와 다이내믹 해상도 비주얼 시퀀스를 효율적으로 처리한다
- VISTA-Curation 파이프라인으로 이미지-비디오 데이터를 큐레이션하여 데이터 효율성을 높이고 네이티브 다이내믹 해상도 학습을 지원한다
- 493Machine Learning
You Don't Need to Run Every Eval
- 저자들은 84개 프런티어 모델과 133개 벤치마크의 공개 점수 매트릭스(2,604개 셀, 23.3% 채워짐)를 구축하여 실질적으로 rank-2 구조를 가짐을 보인다
- logit 공간의 rank-2 ALS 매트릭스 완성 방법인 BENCHPRESS를 설계하여 숨겨진 점수를 4.6점 이내로 복구한다
- 492Computer Vision
Wan-Streamer v0.1: End-to-end Real-time Interactive Foundation Models
- Wan-Streamer는 언어, 오디오, 비디오를 입력과 출력 모두에서 하나의 트랜스포머로 모델링하고 블록-인과성 주의를 사용하여 증분 스트리밍을 지원한다
- 별도의 VAD, ASR, 언어 모델, TTS, 아바타, 비디오 생성 모듈에 의존하지 않고 인지, 추론, 생성, 응답 타이밍, 턴 관리, 크로스모달 동기화를 통합 모델에서 공동 학습한다
- 491Computer Vision
DDStereo: Efficient Dual Decoder Transformers for Stereo 3D Road Anomaly Detection
- 스테레오 3D 검출 최초로 23.5ms 실시간 추론 달성 (단안 방식 수준)
- 듀얼 디코더: disparity 특징으로 전경 이진 검출 + 좌측 특징으로 3D 속성 회귀를 분리
- 공유 객체 쿼리로 두 디코더를 정렬하여 NMS나 앵커 매칭 없이 anomaly score 산출
- KITTI-AR-OoD open-set 벤치마크 R40 기준 OoD AP3D 78.09%로 S3AD(73.69%) 능가
- 보행자 및 자전거 탑승자 클래스에서 기존 모든 스테레오 방식 대비 SOTA 달성
- 추가 합성 데이터 10%만 사용해도 OoD AP3D 54.65%로 S3AD(24.45%) 대비 압도적 일반화
- 490LLMs / NLP
NatureBench: Can Coding Agents Match the Published SOTA of Nature-Family Papers?
- Nature 계열 5,500편에서 90개 과제를 엄선하여 6개 과학 도메인(세포 오믹스, 단백질, 생체 모델링, 물리 모델링, 분자 설계, 관계 추론)을 포괄
- NatureGym: 논문 → 컨테이너화된 과제 환경 자동 구축 파이프라인으로 재현 가능성 보장
- 최강 에이전트(Claude Opus 4.7)도 g>0.1 기준 17.8%만 SOTA 능가, 47.8% 매치 — 발견보다는 번역에 의존
- 성공 경로의 45.5%는 과학적 발명이 아닌 '방법론적 번역'(친숙한 지도학습으로의 변환)
- 실패 원인: 잘못된 방법 선택 45.1%, 계산 예산 부족 24.4% (과제 이해 부족이 아님)
- 정보 방화벽으로 원저자 방법론을 은닉하여 재현이 아닌 독립적 발견을 강제
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기