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.
- 369Computer Vision
Watch, Remember, Reason: Human-View Video Understanding with MLLMs
- 비디오 이해를 관찰, 기억, 추론의 기능적 과정으로 정식화하여 지각 표현, 메모리 상태, 추론 트레이스, 최종 예측의 통합 공식을 제안한다
- 보기 영역에서 미세 지각, 종합 지각, 시청각 지각, 효율적 처리의 4가지 하위 영역을 체계적으로 정리한다
- 기억에서 오프라인 메모리와 스트리밍 메모리를 구분하여 장비디오의 중복성과 증거 희소성 사이의 긴장을 분석한다
- 추론에서 에이전트형과 비에이전트형, 텍스트 전용과 비디오 포함 등 다양한 추론 패러다임을 통합 분류한다
- 자아중심, 스포츠, 지시, 의료, 내러티브 등 5개 응용 도메인과 주요 학습 데이터셋 및 평가 벤치마크를 망라한다
- 368Machine Learning
Principles and Practice of Deep Representation Learning: or a Mathematical Theory of Memory
- 데이터 압축을 PCA, 디노이징, 스코어매칭, 정보이득 최대화 등 모든 표현 학습 방법의 통합 원리로 제시한다
- ResNet, CNN, Transformer를 반복 최적화 알고리즘으로 수학적으로 해석하여 아키텍처 설계 원리를 규명한다
- 인코더-디코더 구조가 표현의 정확성과 일관성을 보장하기 위한 필연적 설계임을 폐루프 전사 프레임워크로 증명한다
- v2.0에서 대조 학습과 DINO의 이론적 정당화, 인과적 CRATE 트랜스포머 도출, 분포 학습과 표현 학습의 관계를 추가했다
- 시각, 모션, 텍스트 데이터의 대규모 실제 응용에서 이론적 원리의 실천적 효용을 단계별로 입증한다
- 367Computer Vision
Thinking with Imagination: Agentic Visual Spatial Reasoning with World Simulators
- 공간 추론을 상호작용적 증거 획득 문제로 정식화하여 VLM이 능동적으로 상상된 시각 증거를 요청하고 활용하도록 설계했다
- Astra-WM에 뷰 일관성 튜닝을 적용하여 기존 이미지 생성 모델의 공간적 일관성 부족 문제를 해결했다
- 2단계 RL 커리큘럼으로 1단계에서 유효한 시뮬레이터 호출을 학습하고 2단계에서 선택적 상상을 장려한다
- 단순히 Qwen3-VL에 시뮬레이터를 연결하면 성능이 저하되지만 RL 훈련 후에는 유의미한 향상이 발생함을 입증했다
- 상상이 유용하려면 세계 시뮬레이터의 품질과 언제 어디서 어떻게 상상할지를 결정하는 에이전트 정책이 모두 필요함을 보였다
- 366Computer Vision
LARA: Latent Action Representation Alignment for Vision-Language-Action Models
- LAM과 VLA를 양방향 표현 정렬 손실로 공동 최적화하여 기존 분리된 훈련 파이프라인의 한계를 극복했다
- LAM은 실제 행동 궤적으로 그라운딩되어 배경 및 조명 등 허위 시각 변화 학습을 억제한다
- VLA는 LAM의 전방 동역학 예측으로 정규화되어 운동학적으로 가능하나 기능적으로 오류인 궤적 할루시네이션을 감소시킨다
- DiT 레이어 L-2에서 정렬 삽입이 최적이며 심층부에서의 정렬이 효과적임을 확인했다
- 3개 시뮬레이션 벤치마크와 실제 로봇 조작 환경에서 일관된 성능 향상을 달성했다
- 365LLMs / NLP
MMAE: A Massive Multitask Audio Editing Benchmark
- 오디오 편집 최초로 7개 모달리티와 6단계 복잡도, 8개 연산 유형을 아우르는 통합 분류 체계를 수립했다
- 자유형태 편집 작업을 검증 가능한 다차원 루브릭으로 분해하는 평가 패러다임을 도입하여 객관적이고 해석 가능한 평가를 실현했다
- 2,000개 고품질 샘플과 17,741개 평가 루브릭을 인간-에이전트 협업 파이프라인으로 엄선하여 구축했다
- 최신 5개 모델 평가에서 EMR 5% 미만, 복잡 혼합 모달리티에서 0%를 기록하여 현재 시스템의 근본적 한계를 폭로했다
- 외부 에이전트 플래너 도입이 일관된 개선을 가져오지 못하며 이해와 생성 양쪽 모두에서 병목이 존재함을 확인했다
- 364AI / General
dots.tts Technical Report
- 48kHz 음성을 25Hz 128차원 잠재 공간으로 인코딩하는 고해상도 AudioVAE를 WavLM 정렬 손실과 함께 훈련하여 의미적 구조를 부여했다
- 시맨틱 인코더, LLM, AR flow-matching 헤드의 3모듈 분리 구조로 장거리 오차 누적 문제를 완화했다
- 리워드 모델 없이 flow-matching 헤드를 자체 추론 오류에 노출시키는 SOAR 자기수정 정렬을 도입했다
- CFG-aware MeanFlow 증류로 NFE 2~4단계 추론을 가능하게 하여 RTF 0.231과 첫 패킷 지연 54ms를 H800에서 달성했다
- Seed-TTS-Eval에서 WER 2.92, SIM 79.2로 오픈소스 SOTA를 기록하고 Apache 2.0으로 전체 공개했다
- 363Machine Learning
On the Geometry of On-Policy Distillation
- OPD는 SFT(주성분 정렬)와 RLVR(비주성분 국소화) 사이의 완화된 비주성분 체제(relaxed off-principal regime)에 위치한다
- 훈련 시작 직후 업데이트가 좁은 저차원 채널에 락인되는 subspace locking 현상을 발견했다
- 랭크-16 투영 제약 하에서 OPD는 성능을 유지하지만 SFT는 크게 저하되어 락인된 서브스페이스가 기능적으로 충분함을 입증했다
- 토큰 희소화와 오프정책 롤아웃은 랭크 궤적을 보존하지만 목적 함수 혼합은 궤적을 변화시켜 목적 함수 구성이 핵심 제어 축임을 확인했다
- Qwen3-8B 기반 제어 실험에서 업데이트 희소성, 스펙트럼 드리프트, 주성분 회전 등 다차원 진단 지표를 활용했다
- 362AI / General
Continual Learning Bench: Evaluating Frontier AI Systems in Real-World Stateful Environments
- 6개 실제 도메인에서 전문가가 검증한 고품질 태스크로, 각 태스크는 사전학습으로 해결 불가능한 잠재 구조를 포함한다
- gain 메트릭을 도입하여 기본 모델 능력과 경험 기반 학습을 분리 측정하는 평가 방법론 제안
- 단순 ICL(In-Context Learning)이 전용 메모리 시스템(Mem0, ACE 등)보다 대부분의 태스크에서 우수한 성능을 보인다
- 최고 시스템도 25.4%의 정규화 gain에 그쳐, 현재 프론티어 모델의 지속 학습 능력이 여전히 제한적임을 시사한다
- 메모리 모듈이 오히려 허위 일반화와 진부한 신념을 생성하여 성능을 저하시키는 경우가 빈번하게 관찰된다
- 비용 대비 효율성에서도 ICL이 우위이며, 고비용 시스템이 비용에 비례한 성능 향상을 보여주지 못한다
- 361Information Retrieval
OneReason Technical Report
- 생성형 추천에서 thinking mode가 non-thinking mode를 능가하지 못하는 문제의 원인을 perception + cognition 두 축으로 분석
- Pre-training에서 itemic tokenizer와 4-granularity 학습으로 강한 itemic token 지각 확보
- R0(Perception) → R1(Derivation) → R2(Evolution) → R3(Recommendation) 3수준 인지 강화 CoT SFT
- Specialize-then-unify RL: 태스크별 전문화 후 통합하여 thinking 능력 강화
- Kuaishou 실서비스 멀티도메인 벤치마크에서 thinking mode > non-thinking mode 일관 달성
- CoT supervision이 non-thinking inference까지 향상시키는 전이 효과 발견
- OneReason-8B 및 0.8B 모델 오픈소스 예정
- 360Robotics
AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding
- VLM 의미 공간과 3D 물리 행동 공간 간 격차 해소를 위한 구조적 affordance 중간 표현 도입
- Which2Act(visual latent prediction) → Where2Act(2D affordance map) → How2Act(3D 기하) 점진적 모델링
- MoT 아키텍처: Understanding/Affordance Generation/Action 3개 전문가 모듈
- 3-stage progressive training + 자동 affordance annotation 파이프라인으로 라벨 희소성 해결
- 실제 로봇 Basic task 88.3%, Complex task 82.9% 성공률 (Pi0 대비 Complex +38.1%p)
- Affordance가 VLM backbone의 시각-언어 능력을 보존하는 semantic anchor 역할 수행 가설
- 359Robotics
ActiveMimic: Egocentric Video Pretraining with Active Perception
- 에고센트릭 영상의 카메라 모션을 noise가 아닌 viewpoint action으로 재해석
- VGGT + SAM-3D-Body로 단일 RGB에서 카메라·손목 궤적 복원, 27차원 통합 행동 표현 구축
- Ego4D 대규모 데이터셋에서 flow matching으로 active perception과 조작 동시 학습
- 실제 로봇 4과제 평가: Restocking 90.1%, Finding 91.7% 등 π0 대비 동등 또는 우월
- Active perception 능력이 로봇 fine-tuning이 아닌 에고센트릭 사전학습에서 기원함을 실증
- 카메라 모션 supervision이 인간→로봇 표현 전이를 촉진함을 layer-level 분석으로 확인
- 358Computer Vision
Qwen-Image-Flash: Beyond Objective Design
- DMD(Distribution Matching Distillation) 기반 Qwen-Image-2.0 → 4 NFE 학생 모델 distillation
- 데이터 구성의 반직관적 발견: 다양성 증가가 성능 저하 유발, 단일 카테고리 일관 데이터가 더 잘 전이됨
- Step-wise multi-teacher guidance로 보완적 교사 모델 강점 결합 및 훈련 안정화
- T2I:Edit 균형 비율에서 최고 통합 성능 달성, 편집 supervision이 생성 품질까지 향상
- Qwen-Image-Flash: 포스터 생성 등 다양한 시나리오에서 4 NFE로 고품질 결과
- 357Computer Vision
Imagine Before You Predict: Interleaved Latent Visual Reasoning for Video Event Prediction
- 언어 토큰과 연속 latent visual 토큰을 교차 생성하는 interleaved latent visual reasoning 구조 제안
- visual-gain 데이터 큐레이션으로 미래 시각 힌트가 예측에 실제로 도움이 되는 50K 고품질 학습 데이터 구축
- LA-DAPO: 잠재 인식 RL 목표함수로 outcome-contrastive 보상과 temporal-diversity 보상을 결합
- FutureBench에서 Qwen3-VL-8B 61.0→85.4, 기존 최고 Video-CoE 대비 +10.4 포인트
- TwiFF-Bench 평균 2.44→3.04, 추론 깊이가 깊어질수록 latent span 사용량이 적응적으로 증가
- 동일 데이터로 text-only SFT는 65.0에 그친 반면 interleaved latent SFT는 73.2로, 향상이 추가 지도에서 비롯된 것이 아님을 실증
- 356AI / General
Benchmarks in Leipzig
- 49명 수학자(35명 워크숍 직접 참여)가 출제한 연구 수준 수학 문제 100개, 대수기하·조합론·표현론 등 25개 세부 분야
- 3단계 평가 파이프라인: Stage 1 (5모델×1회) → Stage 2 (3모델×20회) → Stage 3 (2모델×3회 heavy-thinking)
- 미해결 문제가 41→16→2로 급감, 연습 스타일 벤치마크는 최고 성능 모델의 한계에 도달했음을 시사
- GPT-5.5 단일 시도 44문제 해결로 최고 성능, 모델 간 성능 격차가 극심 (Grok 4.3은 6문제만 해결)
- 동일 모델의 반복 실행 간에도 성능 편차가 매우 크게 나타나, 수학 추론의 결정론적 한계 존재
- ScienceBench 플랫폼 기반 공개 벤치마크로, LLM 리뷰 과정에서 3개 문제 오류 발견·제거
- 355Machine Learning
Flash-WAM: Modality-Aware Distillation for World Action Models
- 비디오-액션 joint diffusion에서 기존 consistency distillation이 실패하는 구조적 원인 규명: 비대칭 노이즈 스케줄로 인한 gradient signal 소멸
- 모달리티별 consistency function 선택: 액션용 linear-gradient-scaling + 비디오용 variance-preserving parametrization
- 23× 속도 향상으로 per-chunk 지연을 8.1초에서 348ms로 단충, 실시간 제어 가능
- RoboTwin 2.0에서 85.5% 성공률 유지, LIBERO에서 95.7% 유지 (1v/2a 기준)
- Unitree G1 휴머노이드 실제 환경에서 60% 성공률 달성, naive LCM 24% 대비 대폭 개선
- consistency function family의 구조적 분석으로 gradient scaling의 한계를 이론적으로 규명
- 354AI / General
Reasoning Structure of Large Language Models
- 21종의 2D 그리드 논리 퍼즐 기반 확장 가능한 벤치마크 구축, 4단계 난이도로 제어된 스케일링 연구 가능
- 비정형 텍스트 추론 트레이스를 원자적 클레임-의존성 그래프로 자동 변환하는 파이프라인 개발
- 추론 효율성 메트릭 η 제안: 집중된 추론과 확산된 탐색을 구분하는 위상 기반 척도
- 토큰 수는 추론 품질의 부적절한 대리 지표임을 실증 (η와의 상관계수 r=-0.05), 추가 토큰은 주로 검증 오버헤드로 소비
- 오픈소스 추론 모델 분석에서 최고 난이도는 모든 모델이 큰 토큰 예산에도 거의 해결하지 못해 단순 compute 확장의 한계 확인
- 조기 오류가 비효율적 트레이스와 강한 연관 (r=0.28), 오류 발생 시점이 늦을수록 η가 높아짐
- 353Machine Learning
Why Muon Outperforms Adam: A Curvature Perspective
- 2차 테일러 전개로 Muon과 Adam의 loss 감소를 분해 — 1차 이득은 비슷, 2차 곡률 페널티에서 차이 발생
- 업데이트 노름은 비슷하지만 Muon의 NDS(정규화 방향 샤프니스)가 낮아 곡률 비용이 작음
- Zipf-PCFG 통제 실험으로 데이터 불균형이 Muon의 NDS 우위를 증폭시킴을 입증
- 학습 중후반에 Muon의 낮은 NDS는 주로 within-layer 곡률 감소에서 기인
- 이질적 곡률 2차 문제에서 Muon이 high/low-curvature 방향에 균등한 업데이트 에너지를 배분
- 곡률 이질성이 충분히 클 때 Muon이 GD보다 낮은 loss를 달성함을 엄밀히 증명
- 352Robotics
World-Language-Action Model for Unified World Modeling, Language Reasoning, and Action Synthesis
- WAM의 미래 상태 예측과 VLA의 언어 추론을 단일 AR transformer로 통합
- World Expert(시각 예측)와 Action Expert(행동 생성)의 메타-쿼리 기반 이중 구조
- World Expert는 추론 시 비활성화 가능 — 40ms 추론으로 실시간 제어 가능
- Test-time scaling으로 로봇 제어 정확도를 추가로 향상
- RoboTwin2.0 Clean 92.94%, RMBench 56.5%로 SOTA 달성
- Cross-embodiment 영상에서 행동 주석 없이 새 태스크 학습 가능 — 확장 가능한 로봇 학습 방향
- 351Robotics
WALL-WM: Carving World Action Modeling at the Event Joints
- Chunk-centric에서 event-grounded 최적화로 패러다임 전환 — 언어·비디오·행동의 자연스러운 경계 정합
- Event caption과 cluster-balanced sampling으로 구성된 데이터 생태계 구축
- Event mode(가변 길이 이벤트 실행)와 Unified mode(Staircase Decoding 고정 청크)의 이중 추론
- Muon optimizer 기반 대규모 사전학습 인프라로 확장 가능한 학습 레시피 제공
- 언어·장면·태스크 전반에 걸친 강력한 일반화 능력 입증
- 물리적 비디오 예측과 실행 가능 제어 모두에서 기존 WAM 대비 우위 확인
- 350Machine Learning
OPRD: On-Policy Representation Distillation
- 출력 공간 매칭에서 hidden-state 공간 매칭으로 증류를 상향 — 기존 모든 OPD 변종의 구조적 한계를 극복
- Qwen ~150K 어휘처럼 대어휘 모델에서 Monte Carlo KL 추정의 분산 문제를 결정론적 MSE로 제거
- LM-head 투영이 폐기하던 교사의 층별·위치별 중간 표현을 직접 학생에 전달
- AIME 2024/2025, AIMO 세 경쟁 수학 벤치마크에서 학생-교사 격차 완전 해소
- 동일 하드웨어에서 top-k OPD 대비 1.44× 빠른 학습, 최대 54% 적은 actor-update 메모리
- 다중 모델 RL 병합, 온-정책 자기 증류(OPSD) 등 확장 시나리오에서 메모리·분산 이점이 특히 큼
- 349Machine Learning
OrderGrad: Optimizing Beyond the Mean with Order-Statistic Policy Gradient Estimation
- 순서 통계량(L-통계량) 기반 목표함수에 대한 불편 그래디언트 추정기를 제안하며, 순위 가중치 변경만으로 다양한 분포적 목표(VaR, CVaR, trimmed mean, best-of-K 등)를 표현한다.
- 기존 likelihood-ratio 및 reparameterization 업데이트에 보상 변환 형태로 한 줄 코드로 적용 가능한 plug-and-play 설계다.
- Top-M@K가 기존 Max@K(max@K, m=1 특수사례)보다 pass@1 및 pass@256에서 일관된 향상을 보여준다.
- Top-M에 정답 보상, Bottom-M에 길이 페널티를 결합하는 방식이 GRPO의 단순 스칼라화보다 훨씬 효과적으로 응답 길이를 단축한다.
- K(목표 크기)와 m(상위 랭크 수)의 선택이 탐색-활용 trade-off를 조절하며, K가 클수록 pass@256이 향상되고 pass@1은 감소하는 경향을 보인다.
- O(N log N) 정렬 비용으로 사실상 무시할 수 있는 오버헤드를 가진다.
- 348LLMs / NLP
Latent Reasoning with Normalizing Flows
- Normalizing flow를 LLM 백본 내부에 배치하여 연속 CoT에 대한 정확한 가능도를 제공하고, 좌-우 디코딩과 KV-cache를 그대로 지원한다.
- 연속 사고 위치는 NF head가, 텍스트 위치는 LM head가 담당하며, 동일한 인과적 스트림에서 공동으로 처리된다.
- 지도 가능도 학습과 policy-gradient 최적화를 통합된 인터페이스에서 모두 지원한다.
- 잠재 공간에 가우시안 섭동을 가해도 pass@1이 거의 유지되어, 학습된 연속 사고 공간이 국소적으로 매끄럽고 기능적으로 강인함을 보여준다.
- 코드 생성 벤치마크에서 명시적 CoT와 기존 latent reasoning(LaDiR 등) 대비 정확도 향상과 추론 비용 절감을 동시에 달성한다.
- 347Computer Vision
Cosmos 3: Omnimodal World Models for Physical AI
- 단일 mixture-of-transformers 아키텍처로 언어, 이미지, 비디오, 오디오, 액션의 입력-출력을 유연하게 지원하는 옴니모달 설계다.
- 듀얼-타워 레이어 구조와 듀얼-스트림 joint attention으로 멀티모달 정보를 효과적으로 결합한다.
- 이해(reasoner)와 생성(generator) 두 역할을 모두 수행하며, Super/Nano 두 규모로 공개된다.
- 합성 데이터셋(SDG-PhyxSim, SDG-RobotSim, SDG-DriveSim 등)을 대규모로 구축하여 학습에 활용한다.
- Artificial Analysis 기준 최고의 오픈소스 Text-to-Image, Image-to-Video 모델이자 RoboArena 최고의 정책 모델로 평가되었다.
- 코드, 체크포인트, 데이터셋, 평가 벤치마크를 Linux Foundation OpenMDW-1.1 라이선스로 완전 공개한다.
- 346Machine Learning
On Advantage Estimates for Max@K Policy Gradients
- 기존 PKPO의 advantage 추정기가 정책 경사에서는 불편이지만 중심화되지 않음을 수학적으로 증명하고, Leave-Two-Out(L2O) 베이스라인으로 이를 해결한다.
- 유한 배치 max@K에 대한 정준(canonical) advantage ui-vi를 유도하여, 기존 pass@K/max@K 추정기를 통일된 프레임워크에서 분류한다.
- O(B^2) 시간 복잡도의 벡터화 구현으로 효율적이며, 그룹 기반 RL 파이프라인에 자연스럽게 통합된다.
- Llama-3.2-3B-Instruct에서 그래디언트 분산을 PKPO 대비 77.4% 감소시키고, Qwen2.5-Math-7B에서 pass@256을 5.2% 향상시킨다.
- GRPO, Entropy-Adv 등 강력한 LLM 사후 학습 베이스라인 대비 일관된 성능 향상을 보여준다.
- 345AI / General
Agents' Last Exam
- O*NET/SOC 2018 직업 분류에 기반한 55개 하위 분야, 13개 산업 클러스터, 1,490개 태스크 인스턴스를 포함하는 대규모 벤치마크다.
- 태스크는 실무 전문가가 이미 완료한 프로젝트에서 수집하며, 결정론적 스크립트와 구조화된 루브릭으로 자동 평가하여 인간 평가자 의존을 제거했다.
- 태스크 난이도에 따라 Near-Term(59개), Full-Spectrum(55개), Last-Exam(36개) 세 티어로 분류하여 다양한 수준의 에이전트 평가를 지원한다.
- 실패 원인 분석 결과, 도메인 지식 부족(understanding/approach)이 전체 실패의 약 75%를 차지하며, 실행 능력보다 지식이 주요 병목임을 보여준다.
- 모델 선택이 에이전트 harness 선택보다 약 3배 더 큰 성능 차이를 만들어내며, 더 많은 리소스 소비가 항상 더 나은 성능으로 이어지지는 않는다.
- 최강 구성(Codex + GPT-5.5)도 평균 통과율 2.6%에 불과하여, 벤치마크가 여전히 포화 상태와 거리가 멀음을 시사한다.
- 344AI / General
Vortex: Efficient and Programmable Sparse Attention Serving for AI Agents
- Python 임베디드 프론트엔드로 희소 attention 알고리즘을 빠르게 프로토타이핑할 수 있다.
- AI 에이전트가 자동으로 알고리즘을 생성하고 정제해 3.46배 처리량 향상을 달성한다.
- GLM-4.7-Flash MLA 아키텍처에서 4.7배, MiniMax-M2.7 229B에서 1.37배 가속한다.
- 현대 LLM 서빙 스택과 긴밀히 통합된 효율적 백엔드를 제공한다.
- 신흥 아키텍처와 초대형 모델까지 희소 attention의 적용 범위를 확장한다.
- 343Machine Learning
In-Context Multiple Instance Learning
- 합성 데이터로 사전학습한 in-context learner가 소수 라벨로 MIL 태스크를 해결한다.
- 추론 시 단일 forward pass로 분류하며 기울기 업데이트가 필요 없다.
- 가방 구조 데이터를 위한 다양한 합성 데이터 생성기를 제안하고 분석한다.
- 서로 다른 생성기가 상호 보완적 귀납 편향을 포착한다.
- 혼합 생성기 사전학습 모델이 12개 MIL 벤치마크에서 지도 학습 기준선을 능가한다.
- 342Machine Learning
Event Detection for Parameter-to-KPI Dependency Learning for AI-RAN
- AI-RAN에서 다중 AI 제어 기능 간 간섭 관리를 위한 의존성 학습의 첫 단계를 다룬다.
- 노이즈가 많은 연속 측정 데이터를 이진 이벤트 지표로 변환하는 파이프라인을 제안한다.
- 잠재 의존성이 심어진 합성 폐루프 트래픽 생성기를 새로 도입했다.
- 유의성 탐지 문제로 정식화해 의존성 복원 파이프라인을 평가한다.
- 임계값 보정이 이벤트 탐지 품질의 핵심 결정 요소임을 확인했다.
- 341Security
Will the Agent Recuse Itself? Measuring LLM-Agent Compliance with In-Band Access-Deny Signals
- 프로토콜 기존 채널로 에이전트에게 자발적 철수를 요청하는 Recuse Signal을 제안한다.
- 보안 경계가 아닌 robots.txt 같은 협력적 거버넌스 수단으로 설계했다.
- SSH banner와 PostgreSQL NOTICE로 구현해 프로덕션 환경에서 실험했다.
- 신호가 없으면 100% 작업 수행, 있으면 100% 철수로 깔끔한 대조를 보였다.
- 운영자 승인 프레이밍에 따라 가장 유능한 모델만 진입을 재개하는 계층적 반응을 관찰했다.
- 340AI / General
Benchmark Everything Everywhere All at Once
- 쿼리 분석부터 품질 관리까지 벤치마크 구축 전체 파이프라인을 자율적으로 수행한다.
- 기존 벤치마크의 노동 집약성과 빠른 성능 포화 문제를 해결한다.
- 텍스트, 멀티모달, 도메인 추론 등 15개 벤치마크를 성공적으로 생성했다.
- 인간 평가와 LLM-as-a-judge로 생성 샘플의 높은 품질을 확인했다.
- 지속적 평가를 통해 현재 모델들의 도메인 특화 추론 약점을 발견했다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기