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. 489LLMs / NLP

    Self-Compacting Language Model Agents

    • 고정 토큰 임계값 기반 압축은 추론 도중이나 검색 중간에 발동하여 검증된 사실을 삭제하는 문제가 있음
    • 모델이 직접 호출하는 압축 도구 + 경량 루브릭(하위 과제 해결 시 압축, 추론 중 억제)을 결합
    • 루브릭 없이 도구만 제공하면 모델 간 사용 편차가 크고 부적절한 시점에 호출 — 루브릭이 핵심임을 입증
    • 수학 벤치마크(IMO-Answerbench, HMMT)에서 무압축 대비 최대 18.1점 향상
    • 에이전트 검색(BrowseComp 등)에서 5-9점 향상, 질문당 30-70% 낮은 토큰 비용
    • 모든 파인튜닝이나 외부 감독 없이 inference-time 스캐폴드만으로 적응적 압축 가능
  2. 488Robotics

    World Value Models for Robotic Manipulation

    • 월드 모델의 시공간 사전 지식을 로봇 가치 추정의 기반으로 재활용하는 최초 접근
    • Mixture-of-Transformers(MoT)로 비디오 생성 스트림과 가치 DiT를 결합하여 표현 간섭 최소화
    • 가치 함수를 flow matching 훈련된 분포 청크(distributional chunk)로 정식화하여 dense 학습 신호 확보
    • 800개 비최적 궤적 + 인간 라벨링으로 구성된 Suboptimal-Value-Bench 공개
    • 전문가 VOC와 Suboptimal-Value-Bench 모두에서 SOTA 달성, 하류 정책 학습에서도 일관된 향상
  3. 487Computer Vision

    DiffusionBench: On Holistic Evaluation of Diffusion Transformers

    • ImageNet과 T2I를 12줄 설정 변경으로 전환 가능한 NANOGEN 통합 훈련/평가 프레임워크 구축
    • 21개 잠재 확산 모델 훈련 후 ImageNet 순위와 T2I 순위의 Pearson 상관계수가 -0.377 ~ -0.580로 무상관 확인
    • ImageNet FID 개선이 T2I 품질 개선으로 이어지지 않는다는 실증적 증거 제공
    • RAE, VAE, pixel-space, MeanFlow를 모두 지원하는 통합 코드베이스 공개
    • DiffusionBench: ImageNet + T2I 결과를 통합한 holistic 벤치마크로 향후 DiT 연구의 기본 보고 권장
  4. 486AI / General

    OpenThoughts-Agent: Data Recipes for Agentic Models

    • 6단계 SFT 데이터 파이프라인에 100개 이상의 통제된 절실험 수행으로 각 단계의 효과를 정량 분석
    • 지시문 선택이 파이프라인에서 가장 중요한 요인이며, 최강 모델이 최고 교사가 아님을 입증
    • 100K 예제로 Qwen3-32B 미세조정 시 SWE-Bench Verified 54.0%, Terminal-Bench 2.0 26.2% 달성
    • 평균 44.8%로 기존 최고 오픈 데이터 에이전트 모델 대비 3.9%p 향상 (Nemotron-Terminal-32B 40.9%)
    • 모든 훈련 세트 크기에서 경쟁 오픈 데이터셋을 능가하는 스케일링 특성 입증
    • SFT+RL 2단계 8B 모델이 순수 SFT 및 순수 RL 모두를 능가함을 확인
  5. 485AI / General

    SPIRAL: Learning to Search and Aggregate

    • 순차·병렬·집계 3종 추론 컴퓨트를 단일 강화학습 파이프라인에서 통합 최적화하는 최초의 프레임워크
    • 집합 강화학습(set RL)으로 병렬 트레이스가 집계에 집단적으로 유용하도록 학습
    • GRPO 대비 pass@k에서 최대 11배 스케일링 효율, 병렬+집계 동시 스케일링 시 15% 더 높은 성능
    • 기존 훈련 패러다임은 순차 추론만 최적화하여 테스트 시간 스캐폴드와의 간극이 존재했음을 지적
    • Qwen3-4B-Instruct 기반 실험으로 검증, 8B+ 파라미터 확장을 향후 과제로 명시
  6. 484Computer Vision

    Lift4D: Harmonizing Single-View 3D Estimation for 4D Reconstruction In-the-Wild

    • 단안 3D 재구성 모델에 인과적 잠재 조건화를 적용해 프레임 간 시간적 일관성 확보
    • 시간 일관된 초기화를 변형 가능한 3D Gaussian Splatting 표현으로 변환
    • 깊이 단서로 가림 영역을 국소화하는 가림 인식 렌더링 감독으로 가시/비가시 영역 분리 처리
    • 보이지 않는 영역에 view-conditioned diffusion prior를 적용하여 그럴듯한 외형 완성
    • Consistent4D 합성 벤치마크에서 LPIPS 0.116, FVD 592.44로 SOTA 달성
    • DAVIS in-the-wild 비디오에서 CLIP 0.715, EPE 0.161로 기존 최고 방법 대비 우수한 모션 정확도 입증
  7. 483Computer Vision

    MeshFlow: Mesh Generation with Equivariant Flow Matching

    • 메시를 triangle soup으로 직접 표현하여 자기회귀 직렬화의 한계(느린 속도, 오류 누적)를 회피
    • 면 순열 불변성 + 꼭지점 순환 불변성을 모두 보존하는 Equivariant DiT 아키텍처 설계
    • 대칭성 위반 학습 신호를 제거하는 nested optimal transport 결합(coupling) 손실 도입
    • ShapeNet 4개 카테고리 중 3개에서 최고 1-NNA 달성, SOTA 자기회귀 모델과 동등 품질
    • 추론 속도 18.55배 향상: 자기회귀 대비 sub-second 메시 생성
    • 후처리 denoiser로 자기 교집합률(Ri)을 약 56% 감소시키며 추가 지연은 무시할 수준
  8. 482Robotics

    InSight: Self-Guided Skill Acquisition via Steerable VLAs

    • 인간 데모를 VLM 계획 분해와 엔드이펙터 궤적으로 자동 분할해 VLA를 원시 행동 수준에서 조종 가능하게 만듦
    • VLM이 새 태스크의 부족한 원시 행동을 식별하고 저수준 제어로 자율 시도→성공 데이터 수집→재학습하는 플라이휠 구축
    • 비틀기 92%, 따르기 96% end-to-end 성공률을 인간 데모 없이 달성 (CaP-X는 각각 32%, 16%)
    • 14개 원시 행동을 체인으로 하는 장기 과업(비틀기→따르기)에서 80% 성공률 달성
    • 새 원시 행동 추가 후에도 기존 pick-and-place 기술 100% 유지하여 망각 문제 없음을 확인
    • 화성 로봇 시나리오: 뜨기 데모만으로 쓸기 행동을 자율 습득하여 5/5 평가 성공
  9. 481AI / General

    Agent-as-a-Router: Agentic Model Routing for Coding Tasks

    • LLM 라우터의 성능 병목은 추론 능력 부족이 아니라 정보 부족(information deficit)임을 실험으로 입증
    • 성능 통계 제공 시 15.3% 상대 향상으로 heuristic 라우터보다 뛰어남
    • Context-Action-Feedback(C-A-F) 루프를 통해 스트리밍 태스크에서 실행 기반 경험을 지속적으로 축적
    • ACRouter는 in-distribution에서 49.98% AvgPerf, OOD agentic programming에서 62.50% AvgPerf 달성
    • 정적 라우터(분류기, 밴딧)는 OOD에서 성능이 급락하지만 ACRouter는 일반화 유지
    • CodeRouterBench: ~10K 태스크, 8개 LLM, 실행 검증된 점수를 제공하는 후회 기반 라우터 평가 환경
  10. 480World Models / Agents

    Qwen-AgentWorld: Language World Models for General Agents

    • 언어 월드 모델: Qwen-AgentWorld-35B-A3B & Qwen-AgentWorld-397B-A17B, 7개 도메인 시뮬레이션
    • 3단계 훈련: CPT(월드 모델링 능력 주입)→SFT(다음 상태 예측 활성화)→RL(시뮬레이션 정확도 향상)
    • 벤치마크: AgentWorldBench, 5개 프론티어 모델×9개 벤치마크에서 우월한 성능 입증
    • 패러다임 A(분리형): 에이전트 RL용 수천 개 환경 시뮬레이션, 실제 환경 훈련 초과 성능
    • 패러다임 B(통합형): 월드 모델 훈련을 워밍업으로 활용, 7개 에이전트 벤치마크 성능 향상
    • 10M+ 환경 상호작용 트래젝토리 학습, 긴 사고 체인(chain-of-thought) 기반 추론
  11. 479Research

    Linear optical Bell state measurement for rotation-symmetric cat codes

    • 하프 빔 스플리터(HBS) + 광자수 분해 검출기(PNRD)만으로 RS-cat 코드 BSM 구현
    • 이산 회전 대칭 기반 광자수 나머지 정보 + 위상 정보로 4종 Bell 상태 판별
    • 무손실·대진폭 조건에서 임의 대칭 차수 N에 대해 결정론적 BSM 가능
    • 광자 손실 수치 평가: 고차 RS-cat 코드가 특정 손실 영역에서 유리함을 확인
    • 포스트셀렉션으로 성공 확률 추가 향상 가능, 필요 광자수 분해능도 실현 가능 범위
  12. 478LLMs / NLP

    Tmax: A simple recipe for terminal agents

    • TMAX-15K: 14,600개 RL 환경 인스턴스, 기존 최대 터미널 데이터셋 대비 2.5배 이상
    • 9B 모델로 Terminal-Bench 2.0 27% 달성 → 30B 미만 오픈 모델 중 최고 수준
    • 난이도 제어 + 페르소나 + 검증자 다양화로 고품질 환경 합성
    • DPPO + FP32 LM head + large group size로 장시호 에이전트 RL 안정화
    • SWE-Bench Verified +5점 등 교차 태스크 및 교차 하네스 일반화 확인(RL이 단순 harness-fitting 아님)
  13. 477Computer Vision

    SeFi-Image: A Text-to-Image Foundation Model with Semantic-First Diffusion

    • Semantic-First Diffusion: 시맨틱 인코더 특징을 비동기 주입하여 고재현 VAE 공간에서도 빠른 수렴 달성
    • 5B 모델 학습에 125K A800시간만 소요(Z-Image 대비 10~20% 컴퓨터)
    • GenEval, DPG, LongTextBench, OneIG, CVTG-2K 등 다수 벤치마크에서 Qwen-Image/Z-Image와 동등 이상
    • 1B/2B/5B 3규모 + DMD2 증류 turbo 변형으로 다양한 하드웨어/레이턴시 요구 대응
    • 450M 이미지-텍스트 쌍 + 28M 합성 텍스트 렌더링 데이터로 학습, 코드/가중치 공개
  14. 476LLMs / NLP

    Deeper is Not Always Better: Mitigating the Alignment Tax via Confident Layer Decoding

    • Guess-Refine-Perturb 패턴 발견: 초기층은 추측, 중간층은 정제, 최종층은 정렬 편향으로 교란
    • 엔트로피 기반 보수적 역방향 탐색으로 최적 근접 최종층을 토큰별 동적 선택
    • Dense 및 MoE 아키텍처 모두에서 GPQA-Diamond, Omni-MATH, HLE 등 추론 벤치마크 일관된 개선
    • 추가 메모리 0, 레이턴시 2% 미만 증가로 기존 추론 파이프라인에 drop-in 적용 가능
    • 정렬(alignment)이 강할수록 최종층 교란 커져 → 모델이 클수록 효과 증가
  15. 475Machine Learning

    MAS-PromptBench: When Does Prompt Optimization Improve Multi-Agent LLM Systems?

    • MAS 프롬프트 최적화 전용 벤치마크: 5종 토폴로지, 3종 통신 프로토콜, 2~10 에이전트 규모
    • 최대 +24점 개선부터 최대 -16점 하락까지 극적인 편차 → 맹목적 적용 위험 입증
    • 구조화된 통신 프로토콜일수록 최적화 효과 큼(Freeform < Semi-structured < Structured)
    • 팀 규모 증가 시 조정 복잡도 상승으로 최적화 효과 감소(2명 +2.4점 → 10명 -2.1점 평균)
    • 단일 에이전트 최적화 도구의 자연스러운 MAS 확장은 충분치 않으며, MAS 맞춤형 알고리즘 필요
  16. 474Robotics

    World Action Models: A Survey

    • WAM 정의: 관측+행동 이력과 태스크 컨텍스트로부터 행동 가능한 미래를 예측하며 행동을 생성하는 모델
    • 2가지 분류 축: (1) 무엇을 생성해야 하는가(rendered/latent/free), (2) substrate/backbone/coupling/deployment 분해
    • 5가지 핵심 속성: interactability, causality, persistence, physical plausibility, generalization
    • 200+ 연구를 diffusion/autoregressive/joint/optional-future 등 5종 백본 패밀리로 체계 분류
    • 핵심 통찰: WAM은 '덜 생성하면서 제어에 필요한 부분만 보존'하는 방향으로 진화 중
  17. 473Machine Learning

    Tapered Language Models

    • 층별 MLP 폭을 cosine 감소(예: 1.5×→0.5×)시켜 전면에 용량 집중 → 균일 배분 대비 perplexity 최대 1.84점 개선
    • 4개 아키텍처(Transformer, Gated Attention, Hope-attention, Titans) × 3규모(440M/760M/1.3B)에서 일관된 개선
    • 파라미터 수와 FLOPs 동일하게 유지하면서도 downstream 벤치마크 성능 향상
    • 메커니즘 분석: 깊은 층의 MLP 출력일수록 잔차 스트림과 더 정렬됨(정보 갱신 < 기존 강화)
    • 구조 무관의 범용 설계 레버: 비전 트랜스포머, 디퓨전 등 다른 파운데이션 모델에도 적용 가능
  18. 472Image Processing

    Unsupervised Susceptibility Distortion Correction of EPI without Calibration Scans via Image Translation-Based Registration

    • 가역 신경망(INN) 기반 이미지 변환으로 BOLD-T1w 간 콘트라스트 간극 해소
    • MIND-SSC(modality independent neighborhood descriptor)로 구조 보존 제약 적용
    • Test-time adaptation(TTA)으로 스캐너/인구 분포 변화에 대한 OOD 강건성 확보
    • 단일 콘트라스트 유사도 목적함수로 비지도 등록 네트워크 훈련(왜곡 교정 GT 불필요)
    • ID 및 2개 OOD 데이터셋에서 기존 캘리브레이션 불필요 방법들을 일관되게 능가
  19. 471AI / General

    CLI-Universe: Towards Verifiable Task Synthesis Engine for Terminal Agents

    • Inside-out 방식: 기존 아티팩트를 재활용하지 않고 구조화된 분류법에서 태스크를 정의 후 증거 기반 연구로 구체화
    • 3단계 검증: rubric-gated 테스트, hint-conditional 필터링(자명한 태스크 제거), fail-to-pass 체크
    • 전체 후보의 ~2/3를 폐기, 고품질 태스크만 남겨 훈련 신호 밀도 극대화
    • CLI-Universe-6K(6,000궤적)로 Qwen3-32B 학습 시 TB 2.0 33.4% → 오픈소스 ≤32B 최고
    • BFCL v4 +11.3, VitaBench +11.6 포인트 향상으로 교차 벤치마크 일반화 확인
  20. 470Robotics

    AdaReP:Adaptive Re-Planning under Model Mismatch for Neural World-Model Predictive Control

    • Dynamic-regret 이론에 기반한 적응적 재계획 임계값: 예측 편차와 국소 역학 민감도로 산출
    • 학습 불필요: 기존 세계 모델 및 플래너 수정 없이 래핑만으로 적용 가능
    • VP2/RoboDesk: NFE 59% 감소, DMC Suite(TD-MPC2): NFE 54.5% 감소
    • 실제 Franka 로봇: 50 trial에서 80% 이상 쿼리 감소, 성공률 36/50 유지(기준 34/50)
    • 힌지 같은 민감 구간에서는 재계획 빈도 자동 증가, 원활한 구간에서는 캐시 재사용 연장
  21. 469Robotics

    HoloAgent-0: A Unified Embodied Agent Framework with 3D Spatial Memory

    • 3계층 구조: Embodied AgentOS(계획/스케줄링/모니터링), Memory Layer(3D 의미 지도), Skill Layer(네비게이션/조작/동작)
    • ROS2 기반 명령/상태 인터페이스로 이기종 스킬 조합 및 실시간 실패 복구 지원
    • HoloNavi(네비게이션), HoloBrain(VLA 조작), HoloMotion(전신 동작) 백엔드 통합
    • 3D 장면 그래프 기반 공간 메모리: 방-객체 계층 구조로 장시호 작업 컨텍스트 제공
    • 실제 로봇 하드웨어에서 물건 검색, 다 로봇 협업, 모바일 매니퓰레이션 폐루프 실행 입증
  22. 468Computer Vision

    Unlimited OCR Works

    • Reference Sliding Window Attention(R-SWA): 참조 토큰은 전체 어텐션, 출력 토큰은 슬라이딩 윈도우(128개)로 처리해 KV 캐시를 상수로 유지
    • DeepSeek OCR 대비 OmniDocBench v1.5에서 6% 향상(93% 달성), MoE 구조로 활성 파라미터 0.5B
    • 40페이지 이상 한 번에 처리 가능, 6000 토큰 출력 시 기존 대비 35% 빠른 추론 속도
    • 전체 표준 어텐션을 R-SWA로 교체해도 단일 페이지 OCR 정확도 무손실 입증
    • 바이두에서 개발, 코드 및 가중치 공개(GitHub)
  23. 467Robotics

    World Engine: Towards the Era of Post-Training for Autonomous Driving

    • 롱테일 안전 이벤트를 실제 로그에서 발굴 → 3DGS 고품질 시뮬레이션 → 행동 월드 모델로 변형 생성 → RL 포스트트레이닝의 4단계 파이프라인
    • 프리트레이닝 데이터를 2배 늘리는 것보다 World Engine 포스트트레이닝이 더 큰 안전 향상 달성 (~10배 데이터 증가와도 경쟁력 유지)
    • Huawei 프로덕션 자율주행 시스템(8만 시간 주행 데이터) 적용 시 시뮬레이션 충돌률 최대 45.5% 감소
    • 상하이 도심 65km + 70km(야간) 온로드 테스트에서 무단차(zero disengagement) 달성
    • 58.3M 파라미터 소형 모델에서는 반복 포스트트레이닝 시 정책 불안정 관찰 — 대규모 모델의 정기적 반복 학습 가능성은 미해결
    • 자율주행 너머 로봇 조작·보행·수술 로봇 등 일반 Physical AI의 안전 학습 템플릿 제안
  24. 466AI / General

    ENPIRE: Agentic Robot Policy Self-Improvement in the Real World

    • 코딩 에이전트(Codex, GPT-5.5, Claude Code, Kimi K2.6 등)가 실제 로봇 환경에서 자율적으로 정책을 개선하는 최초의 통합 프레임워크
    • 4단계 구조: Environment(자동 리셋·검증) → Policy Improvement(휴리스틱·BC·RL) → Rollout(실물 로봇) → Evolution(에이전트가 로그 분석·코드 개선)
    • Pin Insertion에서 인간 개입 기반 최첨단 방법보다 빠르게 100% 성공률 도달, PushT·지프타이 절단 등에서 99% 달성
    • 다중 로봇 플릿(1→8에이전트) 확장 시 wall-clock 단축 효과 입증, BUT 토큰 비용은 초선형 증가(MTU 8에이전트에서 급등)
    • Mean Robot Utilization(MRU)·Mean Token Utilization(MTU) 두 가지 물리 자원 효율 메트릭 최초 제안
    • VLA(GR00T)와 절차적 툴 콜의 시너지 자동 발견 — RoboCasa 시뮬레이터에서 VLA 정확도 향상 후 실제 환경으로 전이 성공
  25. 465LLMs / NLP

    Large Language Models Do Not Always Need Readable Language

    • 인간 가독성 없이 의미만 보존하는 'BabelTele' 압축 표현 개념 최초 제안 — 원문의 27.9% 길이로 99.5% 의미 보존
    • Gemini·GPT·Claude·Qwen·DeepSeek 등 이기종 모델 간 제로샷 호환 — 한 모델이 압축한 텍스트를 다른 모델이 파인튜닝 없이 해독 가능
    • 다중 에이전트 통신에서 토큰 39~44% 절감하면서 태스크 점수 96.6~99.7% 유지
    • 에이전트 메모리 벤치마크(LoCoMo)에서 요약(Summary) 대비 더 높은 정확도(96.48% vs 94.20%)를 더 적은 토큰으로 달성
    • LongBench v2 코드 저장소 QA에서 컨텍스트 윈도우 초과 시 단순 절단보다 BabelTele 압축이 오히려 정확도 향상 (Qwen3.6-Max 55.17%→62.07%)
    • BabelTele 이해도는 모델 크기와 단조 관계가 아님 — 모델별 압축 형태에 대한 강인성이 핵심 변수
  26. 464Software Engineering

    FAPO: Fully Autonomous Prompt Optimization of Multi-Step LLM Pipelines

    • Claude Code 기반 최적화 루프: 파이프라인 평가 → intermediate step 분석(failure attribution) → scoped change 제안 → safety review → 검증
    • Prompt-first 전략: 프롬프트 수정 우선, attribution이 구조적 병목을 지목할 때만 chain 구조/파라미터 변경으로 에스컬레이션
    • LangGraph 기반 stateful graph 파이프라인 표현, 테넌트별 격리된 워크스페이스로 재현성 보장
    • 6 벤치마크 × 3 모델 = 18회 비교 중 15회 GEPA 승리, 평균 +14.1pp; HoVer/IFBench 구조 변경 시 6/6 승리, 평균 +33.8pp
    • 보안 태스크 CTIBench-RCM에서 GPT-5 +4.0pp, Foundation-Sec-8B-Instruct +7.1pp, Foundation-Sec-8B-Reasoning +2.0pp 향상
    • step-attribution subagent가 프롬프트 수정 가능 vs 구조적 병목을 분류하여 불필요한 구조 변경을 방지
  27. 463Machine Learning

    VIMPO: Value-Implicit Policy Optimization for LLMs

    • KL-정규화 RL 최적조건에서 value function을 policy-reference log-ratio로 표현하는 폐쇄형 표현 도출 (critic 불필요)
    • 종단 경계조건 V*(s_T)=0 + Monte Carlo 그룹 추정으로 critic-free value optimization 목표 구성
    • 동일 도출에서 PPO 스타일 actor advantage를 얻어, reward 주입(value loss)과 정책 개선(actor update)을 분리
    • MATH-500, AIME 2024, AIME 2025, OlympiadBench에서 GRPO 대비 일관된 성능 향상, 특히 경시대회형 문제에서 큰 폭 개선
    • 25% 보상 뒤집기 노이즈 환경에서도 GRPO 대비 일관된 우위 유지, 보상 노이즈에 더 강건
    • 4B 규모 base 모델로 수학 RLVR에 검증, actor coefficient c_A와 value coefficient β의 조정이 학습 속도-안정성 트레이드오프를 결정
  28. 462Computer Vision

    Current World Models Lack a Persistent State Core

    • WRBench: 카메라 모션을 '관찰성에 대한 개입'으로 정의하고 6차원 계층적 진단 체인(requested-camera → visual integrity → re-observed consistency)으로 평가
    • Natural-25: 25개 씬 패밀리 × 4단계 이벤트 설계로 공간 이동과 상태 변화를 직교 분해
    • 23개 모델(4가지 제어 패러다임) 공통 실패: 카메라가 돌아오면 대상을 떠난 시점 상태로 단순 복원, 비관찰 중 이벤트 진행 반영 안 함
    • Wan 1.3B→14B 스케일업이 re-observed state를 0.66→0.62로 오히려 악화시킴; 스케일링으로는 해결 불가
    • LingBot-World: 가장 강력한 visible state 일관성(0.874/0.719)이지만 requested-camera precision은 최저(0.468)로 제어력-상태 일관성 트레이드오프
    • 핵심 진단: 'what-memory'(숨겨진 변화 기록)와 endpoint persistence 학습 목표가 현재 모든 public 모델에 부재
  29. 461Computer Vision

    HumanScale: Egocentric Human Video Can Outperform Real-Robot Data for Embodied Pretraining

    • 에고센트릭 사전학습은 데이터 증가에 따라 validation loss가 단조 감소하며 명확한 스케일링 법칙을 보임
    • 동일 5,000시간 규모에서 에고센트릭이 로봇 데이터 대비 validation loss 24% 감소, in-distribution 성공률 40%→92.5%, OOD 성공률 0%→90%
    • World-Action Model(MoT 아키텍처) 기반 비교로 video generation + action prediction 결합 프레임워크 사용
    • 에고센트릭 영상이 더 낮은 normalized jerk(더 부드러운 모션)와 더 적은 idle fraction을 가져 데이터 효율이 높음
    • 실제 로봇 실험(AgiBot 바이매니플레이터)에서 에고센트릭 사전학습 모델은 OOD 객체에도 90% 성공률 유지, baseline은 0%로 붕괴
    • 로봇 데이터는 스케일을 키워도 unseen 태스크 일반화가 거의 향상되지 않아 실--로봇 데이터의 근본적 한계를 입증
  30. 460LLMs / NLP

    AtomMem: Building Simple and Effective Memory System for LLM Agents via Atomic Facts

    • Fact Executor: SFT 튜닝된 경량 LLM이 원시 대화에서 핵심 정보만 atomic fact로 추출 (Qwen3-14B, LoRA rank 128)
    • 계층적 메모리 구조: atomic fact를 이벤트 메모리(맥락) + temporal profile(사용자 상태 추적)로 조직화
    • 연관 메모리 그래프: 엔티티 중복, 공유 이벤트, 대화 연속성으로 단편화된 기억을 연결하는 검색 활성화
    • LoCoMo 벤치마크 Multi-Hop J-score에서 LightMem 대비 31.1% 향상, Mem0 대비 토큰 61.4% 절감
    • 단순 flat 변형(AtomMem-Flat)만으로도 기존 baseline 대비 Multi-Hop F1을 20.97→37.03으로 76.6% 개선, 메모리 표현 품질이 핵심임을 입증
    • 검색 파라미터 k_f=10이 정확도-비용-지연의 최적 균형점; k>20에서는 노이즈로 인해 성능 저하

연구에서 제품 적용까지

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

보유기술 보기