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.
- 399Computer Vision
InterleaveThinker: Reinforcing Agentic Interleaved Generation
- Planner-Gen-Critic 3에이전트 구조로 시각적 과의존(visual over-reliance)과 단계별 오류 누적 해결
- Planner는 중간 피드백 차단으로 전역 목표 유지, Critic은 단계별 평가 및 프롬프트 정제
- Interleave-Planner-SFT-80k, Critic-SFT-112k, Critic-RL-13k의 고품질 데이터셋 구축
- 정확도 보상 + 단계별 보상의 이중 보상 전략으로 단일 단계 RL로 전체 궤적 최적화
- FLUX.2-klein 기준 WISE 0.47에서 0.73, RISE 13.3에서 28.9 향상, Nano Banana/GPT-5 수준 달성
- 이미지 생성기 교체 가능(FLUX.2-klein, Qwen-Image-Edit 모두 적용 가능)
- 398Computer Vision
InternVideo3: Agentify Foundation Models with Multimodal Contextual Reasoning
- MCR: 관측, 추론, 도구 행동, 피드백, 메모리를 공유 진화 컨텍스트로 통합하는 폐루프 멀티모달 추론 정식화
- M2LA(Multimodal Multi-head Latent Attention): KV-cache 압축으로 긴 멀티모달 롤아웃을 효율화
- 단계적 훈련: M2LA 변환 후 지속 사전학습, short-to-long 비디오 SFT, 검증 가능 태스크 RL, 온정책 증류
- Video-MME, MLVU, EgoSchema 등 장시간 비디오 벤치마크에서 InternVideo2.5-7B 대비 실질적 향상
- 검색 및 검증 도구를 갖춘 비디오 에이전트로 인스턴스화하여 재귀적 멀티모달 추론의 실용성 입증
- 오픈 웨이트 생태계가 빠르게 발전 중이므로 최첨단 성능 주장보다는 맥락 효율성과 폐루프 추론의 원칙적 가치 강조
- 397Machine Learning
RLCSD: Reinforcement Learning with Contrastive On-Policy Self-Distillation
- 특권 조건부가 스타일 토큰("Therefore", "Wait" 등)에 학습 신호를 집중시키는 privilege-induced style drift 현상 발견
- 정답/오답 힌트 대조를 통해 스타일 성분 상쇄, 태스크 토큰(수학적 내용 등)에 신호 집중
- Qwen3-8B에서 AMC23 90.8%, AIME24 77.5%, AIME25 69.7%로 GRPO 및 OPSD 계열 대비 우수
- 기존 OPSD 방법(OPSD, SDPO, SRPO, RLSD)의 훈련 불안정성 및 응답 길이 수축 문제 해결
- 대조 원리는 범용적: 기존 OPSD 방법에 플러그인으로 적용 가능, cross-model 증류로 확장 가능
- K-marginalization과 two-path loss aggregation이 성능 유지에 핵심 기여
- 396Machine Learning
Breaking Entropy Bounds: Accelerating RL Training via MTP with Rejection Sampling
- MTP 수용률과 정책 entropy 간의 명확한 부적 선형 관계 발견: entropy 상승 → 수용률 직선 하락
- greedy target-only 대비 probabilistic rejection sampling이 entropy 변동에 훨씬 강건함을 수학적/실증적 입증
- 종래 CE/KL 손실 대신 rejection sampling 수용률을 직접 최적화하는 end-to-end TV loss 제안, ~10%p 수용률 향상
- RL 전 경량 MTP 사전 학습만으로 전체 RL 과정에서 일정한 수용률 유지, 온라인 MTP 동시 훈련 불필요
- 수학 추론/코드 생성/에이전트 과제 전반에서 최대 95% 수용률, 25% 추론 처리량 추가 향상
- Qwen3.5/3.6/3.7 비동기 RL 파이프라인에서 최대 1.8배 end-to-end 가속 달성
- 395Robotics
Efficient-WAM: A 1B-Parameter World-Action Model with Low-Cost Future Imagination
- WAN-2.2-5B에서 구조적 가지치기+지식 증류로 0.8B 소형 비디오 전문가 구축, action expert 0.2B와 MoT 결합
- 미래 예측 해상도를 낮춰 토큰 수 240→60으로 감소, 지연 430ms→377ms로 추가 절감
- 비디오 2단계 + 행동 10단계 비대칭 디노이징으로 지연 139ms 달성(성능 저하 1%p 미만)
- RoboTwin 2.0 시뮬레이션에서 86.7% 평균 성공률, 실제 Astribot S1 로봇에서 66.25% 성공률
- 소비자용 RTX 4090에서 per-chunk 98ms 달성, Motus(3215ms) 대비 32배, π0.5(113ms) 대비 우위
- 'action-centric future imagination' 설계 원리: 정책은 사진 같은 이미지가 아닌 구조적 역학 단서만 필요
- 394Computer Vision
ABot-Earth 0.5: Generative 3D Earth Model
- 3D Gaussian Splatting(3DGS) 표현을 직접 사용하는 최초의 대규모 생성 모델, 위성 사진만으로 3D 장면 합성
- 1km2당 10분 미만 생성 속도, 기존 photogrammetry 파이프라인(수개월~수년) 대비 압도적 효율
- 위성/항공/도시 3종 데이터 소스 통합, ABot-3DGS 재구축 엔진으로 고품질 학습 데이터 구축
- 네이티브 multi-LOD 계층 구조로 조 단위 Gaussian 원시체 실시간 스트리밍, 웹 지도에서 행성→거리 레벨 줌
- 300개 도시 190개국 커버, Google Earth 대비 미학적 점수 우위(단 정밀 기하/텍스처는 아직 열위)
- 랜드마크 고품질 재구축 모델과 생성 배경을 합성하는 하이브리드 접근으로 편집 가능한 플랫폼 제공
- 393Machine Learning
Rethinking the Divergence Regularization in LLM RL
- DPPO의 hard mask를 advantage-weighted l2_2 정규화항으로 대체하여 매끄러운 기울기 보장
- Binary-TV trust region 기하학 유지: 발산 기반의 안정성 + SPO류 매끄러움 결합
- 경계 내에서는 정책 기울기 유지, 경계 너머에서는 교정적 기울기(정책을 행동 정책 방향으로 당김) 제공
- Qwen3-4B, Qwen3-30B-A3B (MoE)에서 BF16/FP8 설정 교차 검증, GRPO/DPPO/SPO 대비 일관된 우위
- 절대 어드밴티지 |A_t| 가중치가 trust region 경계를 보상 척도와 독립적으로 안정화함이 ablation으로 확인
- KL/TV/chi2 등 다른 발산 정규화보다 DRPO가 우수하며, 이는 기울기 형태가 목적함수 형태보다 중요함을 시사
- 392LLMs / NLP
Toward Generalist Autonomous Research via Hypothesis-Tree Refinement
- Autonomous Optimization(AO) 설정: 인간의 단계적 감독 없이 초기 산출물을 반복 실험으로 개선하는 과제 정의
- 가설 트리에 각 노드가 가설-산출물 버전-실험 증거-정제된 인사이트를 바인딩하여 누적 연구 상태 구현
- 코디네이터-실행자 분리: 전역 전략은 코디네이터, 개별 실험은 격리된 worktree에서 실행자가 담당
- 6개 실제 연구 과제(모델 훈련/하니스/데이터 합성)에서 Codex, Claude Code 대비 2.5x+ 평균 상대 이익
- MLE-Bench Lite에서 GPT-5.5 기반 86.36% Any Medal 달성, ablation에서 HTR+인사이트 전파가 핵심임 확인
- BrowseComp 최적화 하니스가 미가시 search-agent 과제로 전이되는 등 일반화 능력 입증
- 391LLMs / NLP
End-to-End Context Compression at Scale
- 0.6B encoder + 4B decoder(Qwen3-4B 기반)를 1:4/1:8/1:16 압축비로 각각 350B+ 토큰 학습
- 대규모 아키텍처 서치로 encoder-decoder 설계 최적화: pooling 방식, adapter 구조, 학습 단계 설계 등
- RULER 4K에서 8.8배, LongBench 64K에서 5.2배 빠른 TTFT 달성하며 정확도 우위
- 에이전트가 압축된 전체 컨텍스트를 한번에 읽고 EXPAND 도구로 필요 청크만 원문 확장하는 agentic harness 제안
- 최대 1M 토큰까지 거의 선형에 가까운 메모리 스케일링, vLLM/SGLang 등 표준 추론 엔진과 호환
- 390Machine Learning
ICA Lens: Interpreting Language Models Without Training Another Dictionary
- GPU 병렬 FastICA + 행 정규화 + p95-LIM 수렴 기준으로 GPT-2 Small에서 수락 층 수 400% 증가, 반복 횟수 21.5% 감소
- ICA 방향은 무작위 투영보다 비정규성이 유의미하게 높으며, 깊은 층으로 갈수록 문맥 의존성이 증가하는 패턴(ERF) 확인
- SAEBench Sparse Probing에서 공개 SAE와 경쟁력 있으며, Targeted Probe Perturbation에서 소~중규모 예산으로 SAE 능가
- ICA 컴포넌트는 어휘 형태, 국소 통사, 담화 맥락, 의미 중의성, 장거리 반복 등 다양한 언어 구조를 포착
- SAE 대체재가 아닌 '첫 번째 렌즈'로서의 보완적 역할을 제안하며, 비용 효율적인 탐색 도구로 포지셔닝
- 389Agents
SemaClaw: A Step Towards General-Purpose Personal AI Agents through Harness Engineering
- AI 엔지니어링이 프롬프트/컨텍스트 엔지니어링에서 harness engineering으로 전환되는 패러다임 시프트를 정식화했다. 모델 능력이 수렴함에 따라 harness layer가 아키텍처 차별화의 핵심 영역이 되고 있다.
- DAG Teams: LLM이 태스크 그래프(DAG)를 동적 생성하면 결정론적 스케줄러가 실행하는 2-phase 하이브리드 오케스트레이션 방식을 제안했다. 유연성과 실행 추적가능성을 동시에 확보한다.
- PermissionBridge: 고위험 작업(파일 수정, 외부 API 호출, 코드 실행) 전에 런타임 수준에서 인가 체크포인트를 거치는 행동 안전 시스템이다. 도구 단위 래퍼가 아닌 네이티브 런타임 프리미티브다.
- 3-tier 컨텍스트 관리: 압축 작업 메모리 + 검색 기반 외부 메모리 + SOUL.md 앵커 페르소나 파티션으로 구성된 계층적 메모리 아키텍처를 도입했다.
- Agentic Wiki: 작업 파생 지식을 Markdown 파일 기반 사용자 소유 지식베이스로 외부화하여, 향후 에이전트 세션에서 검색·활용 가능한 개인 지식 인프라를 제안했다.
- LangChain 실험에서 모델을 고정하고 harness만 개선했을 때 태스크 완료율이 52.8%에서 66.5%로 13.7%p 향상되어, harness 설계가 에이전트 성능의 주요 결정 요인임을 실증했다.
- 388Robotics
MotionWAM: Towards Foundation World Action Models for Real-Time Humanoid Loco-Manipulation
- 비디오 DiT 중간 denoising 특징을 정책 조건으로 활용, 전체 비디오 생성 불필요로 실시간 달성
- 상하체 분할 대신 통합 모션 잠재 변수로 전신을 단일 공간에서 제어
- 3단계 학습: egocentric 비디오 사전학습(2136시간) → 크로스 바디 후학습 → 전신 파인튜닝
- Unitree G1에서 9개 태스크 평균 76.1% 성공률 (최강 VLA 베이스라인 43.9% 대비 32%p+ 향상)
- 태스크 구동 발 상호작용(공 차기, 페달 밟기) 가능, 분할 정책으로는 불가능한 행동
- NVIDIA A100에서 4.9Hz, Cosmos Policy(0.7Hz) 대비 7배 빠른 실시간 구동
- 387Machine Learning
Test-Time Gradient Guidance of Flow Policies in Reinforcement Learning
- 테스트 시간에만 정책 최적화를 수행하는 QGF(Q-Guided Flow) 알고리즘 제안
- 단일 Euler step 근사로 clean action의 critic gradient를 denoising에 활용, BPTT 불필요
- 학습 시간 actor-critic의 불안정성 회피, 모델 크기 증가에 따른 유리한 스케일링
- Best-of-N 대비 훨씬 적은 FLOPs로 더 나은 성능 달성
- goal-conditioned RL에서 어려운 태스크일수록 기존 방법 대비 일관된 우위
- QAM critic 사용 시 QAM 자체보다도 우수한 정책 추출 성능
- 386Robotics
Dream-Tac: A Unified Tactile World Action Model for Contact-Rich Robot Manipulation
- 비전+촉각을 통합 예측하는 최초의 unified Tactile World Action Model
- contact-gated fusion: 촉각 변화가 큰 순간에만 촉각 신호를 강조하는 게이트 메커니즘
- contact-aware attention bias로 비전-촉각-행동 간 크로스모달 상호작용 조절
- FlashAttention 기반 게이트 최적화로 학습 2.94배 가속, diffusion-step caching으로 추론 1.8배 가속
- 6개 접촉 집약 태스크에서 평균 31.7% 정확도 향상, Cosmos Policy 대비 31.6% 우위
- OOD 일반화(테이블 높이, 공간, 객체, 배경 변화)에서도 강건한 성능
- 385Robotics
MemoryVLA++: Temporal Modeling via Memory and Imagination in Vision-Language-Action Models
- 인지과학 영감의 전체 시간 모델링: 작업 기억 + 에피소드 메모리 + 미래 상상(world model)
- Perceptual-Cognitive Memory Bank: 저수준 세부사항과 고수준 의미를 통합 저장, 중복 인식 갱신
- 잠재 공간 world model로 미래 상태를 부분 denoising만으로 상상, 픽셀 수준 예측 불필요
- Libero 98.4%, SimplerEnv 74.0% 달성, 실제 로봇에서 일반 +9%, 메모리 +26%, 상상 +28% 향상
- Calvin 4.29, Mikasa-Robo 44.4%로 장기 시계열 태스크에서 특히 강력
- RTX 4090에서 66.4 Hz 추론 속도로 실시간 배포 가능 수준
- 384Robotics
OMG: Omni-Modal Motion Generation for Generalist Humanoid Control
- 모션 생성 브레인 + 모션 추적 소뇌의 계층 구조로 휴머노이드 전신 제어 일반화
- OMG-Data: 1174.66시간의 omni-modal 휴머노이드 모션 코퍼스 (언어/오디오/인간 모션)
- OMG-DiT: 언어·오디오·인간 참조를 조건으로 하는 diffusion transformer, 새 모달리티 확장 가능
- 텍스트-모션에서 FID 6.03(OMG-XL), 기존 방법 대비 대폭 향상
- 제로샷 조합성: 학습되지 않은 언어+오디오 조합을 추론 시 결합 가능
- 모델 스케일링(B/L/XL)에 따른 일관한 성능 향상 확인
- 383Computer Vision
Next Forcing: Causal World Modeling with Multi-Chunk Prediction
- 다중 청크 예측(MCP)으로 자기회귀 비디오 생성의 myopic supervision 문제 해결
- 인과적 MCP 체인으로 near-future 예측이 far-future 예측에 정보 제공, 주 모델에 밀집 감독 전달
- RoboTwin SOTA 달성: Clean 94.1%, Random 93.5%
- 50fps에서 LingBot-VA 대비 93.1% 상대 향상, 2.3배 학습 가속
- 일반 비디오 사전학습에서도 FVD 50% 이상 감소로 로봇 특화 데이터 이상의 일반성 입증
- 추론 시 MCP 모듈 유지로 2배 추론 가속, 정확도 유지
- 382Computer Vision
Kwai Keye-VL-2.0 Technical Report
- 30B MoE 구조(3B 활성 파라미터)로 효율적 배포 가능한 멀티모달 기반 모델
- GQA 기반 아키텍처에 DeepSeek Sparse Attention 최초 적용으로 256K 무손실 컨텍스트
- Cross-Modal MOPD로 비디오·코드·도구·검색 역량을 하나의 MoE 백본에 통합
- Context-RL + Video-RL로 시각 hallucination 감소 및 장문 의사결정 안정화
- TimeLens(ActivityNet 58.5 mIoU), LongVideoBench(74.1) 등에서 동급 SOTA 달성
- 에이전트 벤치마크(LiveCodeBench v6 64.2, OJBench 71.5)에서도 강력한 성능
- 381AI / General
Trajectory-Refined Distillation
- OPD의 prefix failure 문제를 최초로 공식화 — 토큰 수준 개선으로는 근본 해결 불가
- TRD: trajectory-level 정제로 on-policy 지지 영역 내에서 궤적 수정 후 distillation 수행
- OPD와 OPSD(self-distillation) 모두에 적용 가능, Qwen3 모델군 전반에서 일관된 성능 향상
- AMOBench에서 Qwen3-8B 기준 ~50% 상대 향상(Pass@16), 정제된 궤적 길이 ~9배 압축
- 기존 토큰 수준 loss 개선(clip, reweight, top-K) 방법들을 능가하는 trajectory-level 접근
- 380LLMs / NLP
Self-Harness: Harnesses That Improve Themselves
- 에이전트가 자신의 harness를 스스로 개선하는 Self-Harness 패러다임 제안 (Weakness Mining → Harness Proposal → Proposal Validation)
- 3개 모델(MiniMax M2.5, Qwen3.5-35B-A3B, GLM-5)에서 held-out pass rate 각각 40.5%→61.9%, 23.8%→38.1%, 42.9%→57.1% 향상
- 모델별로 서로 다른 harness 변경이 생성됨 — generic instruction 추가가 아닌 모델 특화 수정
- regression test 기반 acceptance rule로 overfitting 방지, 수정 내역이 작고 감사 가능(auditable)
- SemaClaw/OpenClaw 등 기존 harness 시스템과 직접적으로 관련된 연구
- 에이전트의 자기개선(Self-Improvement) 연구 라인과 연결되는 의미 있는 진전
- 379Computer Vision
MilliVid: Hierarchical Latents for Long-Range Consistency in Video Generation
- 프레임당 토큰 수가 계층별로 다른 hierarchical autoencoder 설계
- Coarsest 레벨(4토큰/프레임)에서 장면 구조와 객체 영속성 포착
- Coarse-to-fine rollout으로 고정 시퀀스 길이 내 최대 시간적 커버리지 확보
- 학습된 계층적 토큰화가 단순 다운샘플링보다 우수한 압축 품질
- 멀리 미래를 예측하도록 모델을 훈련해 장기 context 의존성 유도
- Minecraft 장기 비디오에서 FramePack 대비 현저한 일관성 개선
- 378AI / General
OpenSkill: Open-World Self-Evolution for LLM Agents
- 태스크 프롬프트만으로 스킬과 검증 신호를 동시 구축하는 open-world self-evolution 정의
- 오픈월드에서 근거 지식과 verification anchor를 독립 획득
- Self-built virtual task로 스킬 refining, 타겟 감독 완전 차단
- SkillsBench에서 기존 최강 baseline 대비 +8.9% 향상
- 스킬이 모델 간 전이 가능하여 약한 모델에도 효과 적용
- 자가 구축 verifier가 ground-truth의 88.9% 테스트 의도 커버
- 377Software Engineering
SWE-Explore: Benchmarking How Coding Agents Explore Repositories
- 리포지토리 탐색을 패치 생성과 분리해 독립 평가하는 새로운 벤치마크
- 성공한 에이전트 궤적에서 trajectory-grounded line-level ground truth 도출
- 848개 이슈, 10개 언어, 203개 리포지토리로 다양한 코딩 환경 포괄
- 에이전트 탐색이 classical retrieval 대비 명확한 상위 티어 형성
- 파일 수준 hit은 강하지만 핵심 라인 recall은 0.14~0.19 수준으로 병목
- 핵심 context 누락이 잡음 context보다 패치 성공에 더 치명적
- 376AI / General
ConMem: Structured Memory-Guided Adaptation in Training-Free Multi-Agent Systems
- 과거 궤적을 typed signed memory card로 증류해 재사용 가능한 전략 단위 생성
- Supports/satisfies/conflicts/constrains 관계를 갖는 typed 그래프로 카드 구성
- Needs-aware retrieval로 작업 요구에 맞는 카드 검색
- 관계 그래프 기반 충돌 해결 및 의존성 복구로 일관된 지침 생성
- 컨텍스트 예산 제어로 50% 이상 후보 pruning 및 80% 계획 오버헤드 감소
- 호스트 모델 가중치나 오케스트레이션 수정 없이 training-free 적용
- 375LLMs / NLP
Your UnEmbedding Matrix is Secretly a Feature Lens for Text Embeddings
- LLM 임베딩이 고빈도 무의미 토큰에 정렬되는 representation collapse 발견
- Unembedding matrix의 edge spectrum 부분공간이 원인임을 규명
- EmbedFilter: 단순 선형 변환으로 해당 부분공간 필터링, 추가 학습 불필요
- MTEB에서 최대 14.1% 성능 향상, 다양한 LLM backbone에 적용 가능
- 거리 보존 차원 축소로 저장 공간 절감 및 검색 속도 향상 효과
- BERT-whitening 등 기존 보정 방법 대비 무감독 설정에서 우수
- 374Robotics
AHA-WAM:Asynchronous Horizon-Adaptive World-Action Modeling with Observation-Guided Context Routing
- Video DiT(저빈도 planner)와 Action DiT(고빈도 executor)의 비동기 분리 설계
- Rolling KV memory로 planner의 시간적 context 누적 유지
- OVCR로 최신 관측 기반 planner context 동적 라우팅 및 업데이트
- Horizon-adaptive offset training으로 임의 planner-executor 위상 관계 학습
- RoboTwin 92.80%, 실세계 78.3% 성공률로 SOTA 수준 달성
- 최대 56.9Hz 제어 주파수로 Fast-WAM 대비 10.82배 속도 향상
- 373Machine Learning
FlashMemory-DeepSeek-V4: Lightning Index Ultra-Long Context via Lookahead Sparse Attention
- 미래 context 수요를 예측해 필수 KV chunk만 GPU에 적재하는 LSA 패러다임
- Indexer를 backbone과 완전 분리해 단일 H20 GPU 1시간 훈련 가능
- Sigmoid threshold 기반 동적 chunk 리콜로 고정 Top-k 대체
- 평균 13.5% KV cache로 baseline 대비 +0.6% 정확도 향상
- 500K 길이에서 90% 메모리 절감, 오히려 정확도 +1.9% 향상
- MRCR 밀집 검색 벤치마크에서 76%에서 48%로 심각한 저하 한계 존재
- 372AI / General
SpatialWorld: Benchmarking Interactive Spatial Reasoning of Multimodal Agents in Real-World Tasks
- 8개 시뮬레이터를 통합한 simulator-agnostic 평가 프로토콜 설계
- 가구일, 여행, 사회협력, 디지털 게임 등 6개 도메인 760개 태스크 구축
- 1인칭 vision-only 관측 + text-based 액션으로 MLLM 네이티브 인터페이스 제공
- GPT-5 최고 17.4%, Qwen-3.5 14.1%로 공간 추론 여전히 큰 과제
- 도메인별 리더가 달라지는 현상: 가구일은 GPT-5, 게임은 Gemini-3.1-Pro 우세
- 작업 성공률과 실행 효율성 간 불일치 발견
- 371Computer Vision
Latent Spatial Memory for Video World Models
- Latent 공간에 직접 3D spatial memory를 구축해 pixel-space 왕복 비용 제거
- Depth-guided back-projection으로 latent token을 3D world-space에 적재
- Occlusion-aware latent-resolution projection으로 타겟 뷰 획득
- 동적 객체와 하늘을 메모리 업데이트에서 제외해 장기 안정성 향상
- RGB 캐시 대비 end-to-end 10.57배 속도, 55배 GPU 메모리 절감
- 2-stage 훈련으로 side branch와 LoRA 안정적 수렴 유도
- 370Robotics
Robots Need More than VLA and World Models
- VLA 모델을 물리 지능 스택의 한 레이어로 재정의하고 상하류 그라운딩 메커니즘이 필수적임을 주장한다
- 비정형 물리 경험을 로봇 사용 가능한 감독으로 변환하는 그라운딩 중심 파이프라인으로의 전환을 제창한다
- 4대 필수 인터페이스로 물리 데이터 엔진, embodiment 리타겟팅, 물리 기반 세계 모델, 과제 조건부 보상 그라운딩을 제안한다
- 배포 루프에서 성공, 실패, 인간 수정을 구조적 감독으로 활용하는 자기 개선 시스템의 비전을 제시한다
- 로봇 네이티브 데이터, 비디오 기반 방법, 시뮬레이션, 세계 모델 등 최신 연구를 그라운딩 병목 관점에서 재조명한다
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기