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.
- 459Agents / World Models
Code World Models for General Game Playing
- 핵심 방법은 LLM을 '직접 수를 두는 정책'이 아니라 규칙과 궤적 데이터를 Python 코드로 번역하는 '귀납 엔진'으로 사용하는 것이다. 생성된 Code World Model(CWM)은 상태 전이, 합법 수 열거, 종료 확인 함수를 포함하는 실행 가능한 시뮬레이션 엔진이다.
- CWM 위에 MCTS(완전 정보 게임) 또는 ISMCTS(불완전 정보 게임)를 올려 깊은 탐색 기반 계획을 수행한다. 추가로 LLM에게 휴리스틱 가치 함수와 은닉 상태 추론 함수(inference function)도 코드로 생성하게 한다.
- 불완전 정보 게임을 위해 '코드 기반 오토인코더' 패러다임을 제안한다. inference 함수가 인코더 역할(관측→은닉 상태), CWM이 디코더 역할(은닉 상태→관측)을 하며 게임 규칙이 구조적 정규화기로 작동한다.
- 10개 게임(5개 완전 정보, 5개 불완전 정보, 4개는 논문에서 새로 만든 OOD 게임)에서 평가했다. CWM-MCTS/ISMCTS는 Ground Truth 모델 기반 플레이어와 거의 동등했으며, Gemini 2.5 Pro를 10개 중 9개 게임에서 이기거나 동점을 기록했다.
- 완전 정보 게임에서는 CWM 전이 정확도가 대부분 1.0에 도달했고, 불완전 정보 게임에서는 은닉 상태 추론이 어려운 게임(Gin Rummy)에서 정확도가 52% 수준으로 떨어지는 한계를 보였다.
- 제한점으로는 Gin Rummy처럼 복잡한 규칙의 불완전 정보 게임에서 학습이 어렵고, 오픈 월드/시각 기반 게임으로의 확장이 향후 과제로 남아 있다.
- 458Machine Learning
How Transparent is DiffusionGemma?
- 투명성을 변수 투명성(중간 상태 이해도)과 알고리즘 투명성(과정 복원 가능성)으로 분해 분석
- 불투명 직렬 깊이: 초기 Gemma 4의 28.6배 → 토큰 병목 매핑 시 1.1배로 감소
- 디노이징 단계 간 self-conditioning을 O(c) 토큰으로 압축해도 downstream 성능 저하 미미
- 모니터링 평가: DiffusionGemma ≈ Gemma 4 (유사한 CoT 모니터링 품질)
- 디퓨전 특유 현상 발견: 비순차적 추론, 토큰/시퀀스 스미어링, 중간 맥락 추론
- 미래 잠재 추론 모델의 투명성 감사를 위한 프레임워크 및 벤치마크 제시
- 457Robotics
Playful Agentic Robot Learning
- 유희 시간에 자율적으로 과제 제안→실행→검증→진단→스킬 라이브러리 축적 파이프라인
- novelty-learnability 규칙로 호기심 기반 과제 제안 (랜덤 유희 24.7% 대비 호기심 유희 32.3%)
- LIBERO-PRO: CaP-Agent0 대비 +20.6pp (23.2%→43.8%), 모든 VLA baseline(π0.5 12.8%) 능가
- 학습 스킬을 CaP-Agent0에 플러그인 시 RoboSuite +8.9pp, 실제 로봇 +8.8pp 향상
- 단일 팔 환경에서 학습한 스킬이 양팔 과제(two-arm lifting +24.0pp)로도 전이
- 호기심 유희 + 실행 시스템 개선이 상호 보완적 (둘 다 44.3%로 최고)
- 456Robotics
MemoryWAM: Efficient World Action Modeling with Persistent Memory
- 슬라이딩 윈도우(단기) + gist 토큰(장기) + 앵커 프레임(이벤트 경계)의 하이브리드 메모리 설계
- 시간/공간 복잡도 O(N) → O(N/d) 감소 (d=압축률)로 실시간 제어 가능
- RMBench 9개 과제 평균 83.0% (LingBot-VA 78.2% 대비 +4.8pp, FastWAM 5.9% 대비 압도적)
- 실제 로봇: Shell Game 18/20, Look and Press 15/20 달성
- Gist 토큰 제거 시 가장 큰 성능 저하(92.5%→40%) → 장기 기억의 결정적 역할
- 1600프레임에서도 full attention(RNN/TTT) 대비 우수한 효율성과 동일 87% 성능 유지
- 455Computer Vision
ImageWAM: Do World Action Models Really Need Video Generation, or Just Image Editing?
- 비디오 생성 WAM의 3가지 한계(비용, 무관한 디테일, 오류 누적) 지적 및 이미지 편집 대안 제시
- 편집 백본의 KV 캐시를 flow-matching action expert에 전달하여 이미지 디코딩 없이 액션 예측
- LIBERO 98.4% 성공률, 실제 로봇 84.5% 성공률 (π0 55.8%, FastWAM 79.0% 대비 우수)
- FLOPs 63.65→9.72 (1/6), 지연시간 1081ms→263ms (1/4) 달성
- FLUX.2, OmniGen2, Ovis-U1 등 다양한 편집 백본 적용 가능 → 특정 모델 의존 아님
- 어텐션 분석에서 편집 캐시가 과제 관련 변경 영역에 집중함을 확인
- 454Computer Vision
S-Agent: Spatial Tool-Use Elicits Reasoning for Spatial Intelligence
- 공간 추론을 프레임 단위 예측이 아닌 시공간 증거 축적 과정으로 재정의
- 2D 그라운딩 → 3D 기하학적 리프팅 → 공간 지식 집적의 3계층 도구 사용
- Scene Memory(객체 상태) + Agent Memory(추론 이력)로 상태 유지 추론 지원
- Training-free 설정에서 GPT-5.4 대비 MMSI-Bench 4.5% 향상
- S-300K 궤적 학습한 S-AGENT-8B는 Qwen3-VL-8B 대비 +10.5% (31.1%→41.6%)
- Level-3 전문가가 원시 3D 데이터를 작업 지향적 측정으로 변환하는 것이 핵심
- 453Machine Learning
Reversal Q-Learning
- 확장된 MDP 프레임워크를 오프라인 RL에 적용, 역방향 흐름으로 가상 온폴리시 궤적 생성
- 다중 스텝 리턴으로 유효 horizon을 T×F에서 T로 감소시켜 curse of horizon 해결
- BPTT 없이 값 함수 1차 그래디언트 활용 → 회귀 기반 방법론(FAWAC, IFQL 등) 대비 우수
- OGBench 50개 로봇 과제에서 18개 baseline 대비 최고 평균 성능 달성
- antmaze-giant, humanoidmaze-large 등 장시간 과제에서 특히 강력한 성능
- 452Robotics
Guava: An Effective and Universal Harness for Embodied Manipulation
- ReAct 스타일의 폐루프 실행이 one-shot 계획 대비 long-horizon 과제에서 결정적 우위
- 의미적 액션 공간(grasp, align, move 등)이 저수준 joint 제어 대비 VLM 추론 부담 감소
- 2K 미만 시뮬레이션 궤적으로 4B 모델 학습 → 실제 환경 zero-shot 전달 성공 (ID 86%, OOD 92%)
- RL 후훈련으로 shell game 6.7%→60%, place all red objects 0%→93.3% 급격한 향상
- 훈련에 없는 관절 한계/도달 불가 상황에서도 오류 인식 및 회복 행동 발현
- 전체 75.6% 성공률로 GPT-5.4(70.2%) 및 CaP-Agent0(62.7%)를 능가
- 451LLMs / NLP
Zone of Proximal Policy Optimization: Teacher in Prompts, Not Gradients
- 교사 logit 모방의 mode-seeking bias와 교사 응답의 정책 그래디언트 주입 drift 문제를 동시에 해결
- BCQ: 교사 정답과 학생 오답을 익명 후보로 배치하여 학생이 판별하도록 유도 (on-policy 유지)
- NCQ: 학생의 실패한 rollout을 집계하여 공통 실패 패턴을 프롬프트로 제시
- Prompt replay buffer로 hard question을 순환시켜 학생의 zone of proximal development 내에서 학습 증폭
- 0.8B에서 GRPO 대비 VLM 평균 +4.9pp, LLM +4.4pp, Video +2.3pp 향상; 특히 GPQA-D에서 +16.9pp 큰 개선
- 교사 크기가 클수록 ZPPO 이득이 커지며, 4B/9B 교사로는 이득이 축소됨을 확인
- 450Robotics
SC3-Eval: Evaluating Robot Foundation Models via Self-Consistent Video Generation
- 순방향-역방향 역학 joint training으로 autoregressive 롤아웃 드리프트를 역방향 신호로 보정
- 교차 뷰 inpainting 훈련으로 명시적 메모리 없이 다중 카메라 일관성 유지
- 역방향 역학 모드를 per-chunk 불확실성 신호로 재사용하여 드리프트 시 조기 종료
- 7개 실제 VLA 정책에서 closed-loop Pearson 0.929, MMRV 0.119 달성 (Ctrl-World, IRASim, Cosmos-Predict 2.5 대비 우위)
- 정책의 실제 실패 모드(언어 이해/물체 들기/놓기)를 4카테고리로 분류하여 70%+ 재현율 달성
- 381시간 실제 table bussing 데이터로 훈련, OOD 작업에도 일반화 가능함을 입증
- 449Robotics
Do as I Do: Dexterous Manipulation Data from Everyday Human Videos
- SAM 3D 생성 모델을 비디오 객체 추적기로 재활용하는 guided diffusion 기법을 제안하여 FoundationPose 대비 67% 우위의 추적 성능 달성
- DexYCB와 HOI4D 벤치마크에서 SOTA 재구축 정확도 달성 (F-5: 0.71/0.72, CD: 0.66/0.49)
- Warmup, perturbation, transition reward 등 3가지 혁신 컴포넌트로 리타겟팅 성공률을 25%→71%로 향상
- OakInk2 MoCap 벤치마크에서도 72%→81% 성능 향상으로 클린 데이터에서도 유효함 입증
- 100DOH 데이터셋 분석 결과, 온라인 인간 동영상의 약 4%만이 덱스터러스 조작 학습에 직접 활용 가능함을 확인
- 22-DoF Sharpa Wave 핸드 + UR3e 암 양손 시스템에서 10가지 과제(저어주기, 붓기, 닦기 등) 실제 실행 검증
- 448LLMs / NLP
Learning from the Self-future: On-policy Self-distillation for dLLMs
- 기존 OPSD가 자기회귀 모델에만 설계된 한계를 극복한 최초의 dLLM용 온정책 자기증류 프레임워크
- dLLM의 비자기회귀 특성을 활용, 자기 생성 답안을 suffix 조건부로 사용하여 더 많은 새 지식 전달
- token-level → step-level 발산 감독으로 dLLM의 반복 denoising 구조와 정렬
- RLVR 대비 약 10% 최적화 스텝만으로 우수한 추론 성능 달성하여 sample efficiency 획기적 향상
- 4개 추론 벤치마크에서 RLVR 및 SFT 기준선 일관되게 능가
- 사람이 '과거로 돌아갈 수 있다면'이라는 영감과 유사한 self future-experience 학습 패러다임 제안
- 447Robotics
Qwen-RobotNav Technical Report: A Scalable Navigation Model Designed for an Agentic Navigation System
- 작업 모드 + 관측 파라미터(토큰 예산, 카메라 가중치) 2축 파라미터화 인터페이스로 다양한 내비게이션 작업을 단일 모델로 지원
- Qwen3-VL 백본에 아키텍처 수정 없이 훈련 시 파라미터 무작위화만으로 추론 시 임의 설정에 robust
- 15.6M 샘플 + 비전-언어 코훈련으로 반응형 액션 시퀀스 매퍼로의 붕괴 방지
- VLN-CE RxR 76.5%, EVT-Bench 90.0%, NAVSIM 91.4 PDMS로 주요 벤치마크 신규 SOTA 달성
- 에이전트 시스템 구성 시 HM-EQA 10.8% 향상, EXPRESS-Bench 15.4% 향상, 내비게이션 스텝 77% 절감
- 2B→8B 스케일링에서 유리한 확장성, 실제 로봇 환경에서 강력한 제로샷 일반화
- 446AI / General
Fixed-Point Reasoners: Stable and Adaptive Deep Looped Transformers
- 루프 아키텍처의 깊이에 따른 신호 전파 문제를 pre-norm + residual scaling으로 해결
- 고정점 수렴을 end-to-end halting 메커니즘으로 도입하여 외부 halting 모듈 불필요
- 문제 난이도에 따라 반복 횟수가 자동 조절되는 적응적 연산 보장
- Sudoku Extreme에서 TRM 대비 정확도 +10%p, 약 27% 적은 연산량으로 동등 성능
- Maze, 상태 추적, ARC-AGI 등 조합 추론 벤치마크에서 일관된 향상
- 수학적 고정점 정리에 기반하여 halting 결정의 이론적 정당성 제공
- 445LLMs / NLP
Variable-Width Transformers
- 트랜스포머 모든 층의 폭이 같아야 한다는 가정을 깨고 비균등 폭 배분 체계적으로 탐구
- ×자형(양끝 넓고 중간 좁음) 구조가 파라미터 매칭 균등 폭 대비 일관되게 우수
- 파라미터 프리 residual resizing으로 투영 레이어 없이 차원 축소/복원 구현
- 동일 파라미터 대비 perplexity ~3% 향상, KV cache ~10% 절감, FLOPs ~3% 절감
- loss-matched scaling curve 기준 FLOPs 22% 감소, MoE 트랜스포머까지 확장
- 중간층 표현 붕괴를 완화하여 층별 질적으로 다른 표현 학식 유도
- 444AI / General
Latent Thought Flow: Efficient Latent Reasoning in Large Language Models
- Chain-of-Thought의 언어 공간 병목(토큰 디코딩 오버헤드)을 잠재 공간 추론로 해결하는 새로운 접근
- 연속 GFlowNet으로 보상에 비례하는 잠재 추론 궤적 분포를 학습하여 다양한 정확-효율 경로 보존
- Entropy-Weighted Subtrajectory Balance로 종단 보상을 중간 단계로 전파하여 희소 감독 문제 극복
- Reference-prior 정규화로 탐색 초기 안정성 확보 후 annealing으로 보상 기반 궤적으로 전환
- CoLaR/ReGuLaR 대비 파인튜닝 정확도 12.9% 향상, 추론 길이 34.5% 단축
- 전이 학습 설정에서도 정확도 6.0% 향상, 추론 길이 19.9% 단축으로 범용성 입증
- 443Computer Vision
EgoCS-400K: An Egocentric Gameplay Dataset for World Models
- 프로 CS/CS2 데모 기반으로 400K+ 1인칭 비디오, 10,000+ 시간 gameplay 데이터셋 구축
- Tick 단위 정밀 정렬: 키보드/마우스 입력, 카메라 움직임, 무기/이동 상태, 게임 이벤트 모두 동기화
- 계층적 구조: player-view sequence → segment → action chain → atomic action → per-tick state trace
- 1,000+ 경기, 40,000+ 라운드, 13개 맵, 라운드당 최대 10개 플레이어 관점 제공
- Replay-grounded 구조로 파싱/재생/렌더링/시간 정렬이 모두 가능—단순 비디오 캡처와 차별화
- Action-conditioned future prediction, state-aware scene rollout, egocentric action understanding 지원
- 442Research
A Semi-Analytical Loss Cone Theory for Tidal Disruption Event Rates Around Kerr Black Holes
- Kerr 블랙홀의 spin-dependent loss cone boundary를 TDE 발생률 이론에 최초로 반해석적으로 편입
- Tidal tensor formalism으로 궤도 경사각에 따른 tidal disruption/direct capture 임계값 도출
- 중첩된 파괴/캡처 경계를 갖는 1차원 loss cone 문제의 closed-form capture fraction 유도
- 각운동량 크기와 방향의 동시 확산을 기술하는 2차원 Fokker-Planck 방정식 정식화
- 섭동 해석으로 retrograde 별의 파괴 선호(1차 bias)를 증명하지만, 전역 TDE rate는 spin에 거의 둔감함을 확인
- 스핀과 궤도 경사각을 포함한 모집단 수준 TDE 연구의 해석적 기반 제공
- 441Computer Vision
VisualClaw: A Real-Time, Personalized Agent for the Physical World
- 캐스케이드 게이트(perceptual hash → 128-dim CPU encoder → adaptive change gate)로 1시간 스트리밍을 5-20회 API 호출로 압축
- Hot/cold top-k 스킬 주입으로 스킬 뱅크 증가에 따른 프롬프트 비용 폭증 방지
- 실패 기반 오프라인 evolver가 memory와 skill bank를 자동 갱신—가중치 업데이트 없이 self-evolution 달성
- 4개 video-QA 벤치마크에서 API 비용 평균 −98%, 정확도 평균 +3.85% (EgoSchema peak +15.80%)
- 200개 시나리오 VisualClawArena 구축—5단계 curation 파이프라인으로 workspace-style 에이전트 평가 지원
- Codex(GPT-5.5) +2.9%, Claude Code(Sonnet 4.6) +3.2% macro accuracy 향상, 비용 −9.5% 절감
- 440Computer Vision
Unified Multimodal Autoregressive Modeling with Shared Context-Visual Tokenizer is Key to Unification
- 단일 bitwise visual tokenizer로 이해와 생성의 representation space를 처음으로 진정하게 통합
- Multi-level feature fusion: 얕은 층(저수준 디테일)과 깊은 층(고수준 의미) 동시 활용
- Lookup-free BSQ 양자화로 2^64 코드북 효과—명시적 코드북 없이 어휘 크기 지수적 확장
- Parallel bitwise prediction으로 32× 시각적 압축률, 1024×1024 이미지에 토큰 256개만 예측
- 이미지 생성(GenEval, ImgEdit) SOTA 달성 + 멀티모odal 이해 벤치마크에서 경쟁력 유지
- 총 ~33k GPU hours로 효율적 훈련—시각 토큰화기 400M, 디코더 2.5B로 경량 설계
- 439Robotics
Qwen-RobotManip Technical Report: Alignment Unlocks Scale for Robotic Manipulation Foundation Models
- 표현(canonical state)·모션(camera-frame delta pose)·행동(in-context adaptation) 3차원 정렬 프레임워크 제안
- 인간 에고센트릭 영상을 15개 로봇 플랫폼 궤적으로 변환하는 human-to-robot synthesis pipeline
- 오픈소스 데이터만으로 ~38,100시간 매니퓰레이션 사전학습 코퍼스 구축—독점 데이터 수집 없음
- OOD 평가(LIBERO-Plus, RoboCasa365, EBench 등)에서 π0.5, GR00T-N1.7을 모든 축에서 능가
- RoboChallenge Table30-v1 generalist 트랙 1위, 20% 상대적 향상 달성
- AgileX ALOHA, Franka, UR, ARX 등 4개 실제 로봇 플랫폼에서 검증 완료
- 438LLMs / NLP
GameCraft-Bench: Can Agents Build Playable Games End-to-End in a Real Game Engine?
- 엔진 기반 게임 생성 평가의 3가지 요건(Engine Grounding, Artifact Completeness, Interactive Verification) 최초 정의
- 140개 Godot 과제, 15개 게임 장르로 구성된 실제 엔진 기반 벤치마크
- 헤드리스 빌드→플레이 동영상→루브릭 기반 다중 모달 judge의 3단계 interaction-grounded 평가 파이프라인
- 최강 에이전트(Opus 4.7 high) 41.46%, 대다수 40% 미만—end-to-end 게임 생성은 여전히 미해결
- 에이전트가 메커니즘은 구현하지만 콘텐츠 깊이, 시각적 피드백, 프레젠테이션 완성도에서 크게 부족
- 메커니즘·콘텐츠·시각은 중등도 상관(r=0.5-0.6)이지만 예술/프레젠테이션은 약한 결합(r=0.11)으로 능력이 부분 분해됨
- 437Machine Learning
Looped World Models
- World model에 looped transformer를 최초 적용—반복 잠재 깊이(iterative latent depth)라는 새로운 스케일링 축 제안
- 파라미터 공유 transformer block 반복으로 기존 대비 최대 100× 파라미터 효율 달성
- Spectrally-constrained state-retention 파라미터화로 임의 롤아웃 길이에서 안정성 보장
- 적응적 계산: 충돌/접촉 등 복잡 전환에는 더 많은 루프, 단순 역학에는 적은 루프를 자동 할당
- ScienceWorld 등 과학 시뮬레이션 태스크에서 EM 66-88%, F1 72-98% 달성
- 1B 파라미터로 Gemini/Qwen 대비 우수한 과학 시뮬레이션 예측 성능 입증
- 436Machine Learning
ExpRL: Exploratory RL for LLM Mid-Training
- 참조 해답을 모방 대상이 아닌 LLM judge의 채점 루브릭으로 활용하는 ExpRL-Outcome/Process 두 변종 제안
- Qwen3-4B 기준 AIME-25에서 ExpRL-Outcome이 pass@1 34.2%로 GRPO(27.1%), SFT(5.7%)를 크게 압도
- pass@k 향상이 확인되어 coverage(해결 전략 다양성) 자체가 개선됨을 입증
- 검증, 자기수정, 백트래킹 같은 추론 행동이 base model 대비 증가함을 관찰
- 4B 이상 judge에서 문제-매칭 참조가 가장 낮은 misplacement rate를 기록—judge는 참조 기반으로 검증함을 확인
- 혼합 도메인(수학+코딩+과학) 실험에서도 ExpRL이 단일 도메인 이상으로 확장 가능함을 시사
- 435AI / General
A First-Principles Derivation of LLM Policy Optimization: From Expected Reward to GRPO and Its Structural Extensions
- J(θ) = E[R(τ)]의 trajectory side와 reward side 두 축으로 모든 policy gradient 방법을 통일 분류
- REINFORCE → PPO → GRPO → post-GRPO 변형의 발전 과정을 각 단계의 failure mode와 intervention으로 설명
- Agentic RL(multi-turn)과 GRPO-OPD hybrid까지 동일한 두 축을 확장하여 적용
- 단일 축 수정으로 해결 불가능한 coupled failure 식별 및 차세대 알고리즘 설계 방향 제시
- 434Computer Vision
UniDDT: Unifying Multimodal Understanding and Generation with Decoupled Diffusion Transformer
- Noisy ViT encoder가 이해(깨끗한 입력)와 생성(noisy 입력) 모두에 사용되는 unified semantic encoder 역할 수행
- 별도의 diffusion decoder로 text decoding과 visual generation을 분리하여 modality 간섭 최소화
- 동일 image-text pair에서 dual data structure를 구성하여 이해-생성 duality 활용
- GenEval 0.87, DPG 86.9, MME 1699.5, SEEDbench 76.5 달성으로 이해와 생성 모두에서 경쟁력 입증
- 433Robotics
T-Rex: Tactile-Reactive Dexterous Manipulation
- Variable-rate MoT 아키텍처: 저주파 action expert(~5Hz) + 고주파 tactile expert(~20Hz)로 제어 분리
- Spatio-temporal VQ-VAE 기반 촉각 인코더로 raw tactile feedback을 compact 표현으로 압축
- 100시간 촉각 동기화 bimanual manipulation 데이터셋(T-Rex Dataset) 공개, 200+ 일상 객체 및 22개 motor primitive
- 12개 tactile-reactive 과제에서 평균 65% 성공률,最强 baseline 대비 30% 향상
- 432Computer Vision
You Don't Need Strong Assumptions: Visual Representation Learning via Temporal Differences
- 강한 inductive bias(augmentation, masking, cropping) 없이 인과성 가정만으로 자기지도학습을 수행하는 최초의 접근
- frame encoder와 motion encoder를 joint training하여 현재 프레임 + motion delta = 다음 프레임 표현을 학습
- 데이터 규모가 커질수록 약한 inductive bias가 유리한다는 가설을 실험적으로 검증
- ADE-20K semantic segmentation 및 MPI-Sintel optical flow에서 DINO/iBOT과 동등한 성능 달성
- 431Robotics
ROVE: Unlocking Human Interventions for Humanoid Manipulation via Reinforcement Learning
- 인간형 로봇 원격 조종 개입의 망설임·적응·회복 단계를 분해하여 혼합 품질 데이터 모델링
- Optimistic Value Estimation(OVE)으로 TD bootstrapping + expectile regression을 결합, 고가치 행동 우선 추출
- Cross-embodiment 인간 경험 영상을 critic 학습에 추가하여 long-tail 실패 모드 보강
- 실제 작업 3회 반복 개입으로 성공률 45→80%(화이트보드), 56.7→86.7%(토스터) 향상
- 430AI / General
From Chatbot to Digital Colleague: The Paradigm Shift Toward Persistent Autonomous AI
- Chatbot → Thinking LLM → Agent → OpenClaw(Workspace+Skill) 4단계 LLM 진화 프레임워크 제안
- 데이터 패러다임: instruction-response 쌍 → State-Action-Observation 궤적 전환 정리
- 평가 패러다임: 정적 벤치마크 → task closure rate, sandbox 감사, 자가 진화 생태계로 진화
- Workspace 지속성 + Skill 재사용 + 검증 루프 + 거버넌스를 '디지털 동료' 핵심 요소로 정의
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기