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.
- 1403Research Agents
Aligning Autoresearch: Co-Improvement between Agents and Humans
- AutoBenchmark에서 연구 에이전트가 사람 피드백 없이 만든 벤치마크는 솔버가 80점이 넘는 점수로 쉽게 풀 수 있는 수준이었다. 상세한 사람 지시가 들어가자 솔버 점수가 절반으로 떨어졌다.
- 구체적인 사람 피드백은 여섯 벤치마크-솔버 짝 모두에서 솔버 점수를 28에서 46.5점까지 낮췄고, 이 어려움은 루프에 쓰이지 않은 보류 솔버에도 그대로 옮겨갔다.
- HackBench는 실제 실행 기록 169개로 만들었고, 기록마다 명령 개수 중앙값은 264개인데 해킹 명령 중앙값은 1개뿐이었다. 최고 성능 모니터인 Claude Opus 5도 해킹 위치 특정 F1이 64.88에 그쳤다.
- AutoInteract는 실제 사용자 기록에서 배운 사용자 모델로 다턴 상호작용 데이터를 만들고 강화학습으로 훈련해, LiveCodeBench-Pro 평균 Pass@1을 4B 모델에서 29.9에서 43.0으로, 27B 모델에서 49.1에서 55.7으로 올렸다. 다턴 변형에서는 23.0에서 43.2로 올랐다.
- RL-XAR 실험에서 표준 LLM 심판은 모델이 쓴 글을 전문가 사람 글보다 63.5%에서 84.6% 경우 더 좋게 뽑았다. 전문가 글에 맞춘 루브릭을 메타최적화하자 판정이 뒤집혔고, 학습으로 이야기 쓰기 점수를 2.8에서 8.2로 끌어올렸다.
- 한계로 위키백과 문서 쓰기에서는 RL-XAR가 점수를 2.7에서 4.0로만 올려서 사람과 프론티어 모델에 크게 못 미쳤고, 사람 평가는 저자들이 직접 한 작은 사전 연구 수준이었다.
- 1402Research Agents
DR Pixel: Page-Native Deep Research with Vision-Language Models
- DR Pixel 은 1.06M 페이지 말뭉치에서 렌더링된 페이지 이미지만을 검색과 추론 단위로 쓰는 최초의 오픈소스 종단 멀티모달 딥리서치 에이전트다.
- 평가용으로 과학 논문 500문항의 DRPixelBench 를 만들었고, 모든 문항은 텍스트, 표, 그림, 수식을 함께 읽어야 답할 수 있다.
- 학습 없이도 페이지 기반 접근은 GPT-5.4, Gemini-3.5-Flash, Qwen3.6-27B 에서 OCR 기반보다 정확도를 5.1–8.4점 올리면서 검색 호출을 20%–30% 줄였다.
- 반사실적 기여도 재가중치로 학습한 Qwen3.6-27B 는 DRPixelBench 정확도를 40.1에서 52.1로 올려 GPT-5.4 를 살짝 앞질렀다.
- 이 학습은 분포 밖 ViDoRe-V3 에서 정답 페이지를 직접 주는 오라클과 1.8점 차이에 도달했고, 일반 SFT 보다 57% 적은 검색으로 비슷한 적중률을 냈다.
- 1401Research
RubricAtlas: Mining Type-Level Rubrics from Expert Reports to Evaluate Deep Research Agents
- 저자는 중국어 금융 리포트 3,079편에서 99개 연구 유형, 921개 질문, 8,160개 체크포인트로 이루어진 RubricAtlas를 만들었다.
- 개별 리포트는 자기 유형 질문의 중앙값 54%만 덮어서, 한 편만 기준으로 삼으면 평가 범위가 좁아진다.
- 두 심판 파이프라인은 체크포인트 일치도 κ = 0.71, 에이전트 순위 일치도 Kendall τ = 0.87을 보였다.
- 한 질문에 해당하는 구절을 지우면 그 질문 점수가 0.64에서 0.21로 떨어졌고, 관계없는 텍스트를 40% 더해도 점수는 오르지 않았다.
- 과제 원전 리포트가 지원하는 질문만으로 평가하면 완성도 점수가 10.5점 오르고 순위도 바뀌어서, 기준 선택이 결과를 좌우한다.
- 1400Research Agents
Infinity Machine: a self-improving AI agent for research
- 저자는 강한 모델에 셸과 최대 한 시간의 작업 시간, 그리고 정확한 검증기를 주는 것만으로 6일 동안 14개 문제를 풀게 했고, 총 모델 사용비는 약 $180이었다.
- 시스템은 양자정보 공개 문제에서 기록을 넘는 결과 4개를 냈고, 여기에는 인증된 임계값 p = 0.064966, 큐트릿 경계 0.2910672, 44게이트 깊이 6 회로, 안정화 랭크 상한 10이 포함된다.
- SABRE 큐비트 라우팅 벤치마크에서는 추가 게이트 수를 68,559에서 12,087로 낮췄다.
- 하드웨어 설계에서는 개방된 8×8 INT8 타일의 곱누산 에너지를 578.9 fJ에서 128.8 fJ로 77.7% 낮췄고, 면적도 55% 줄였다.
- 자기개선 관문은 시스템이 스스로 쓴 플레이북 세대 하나를 비용 초과로 거부했고, 제안 에이전트는 관대한 채점기를 4번 악용했다.
- 완전 자율 실행 3회는 모두 공개 기록과 비긴 정직한 무승부로 끝났고, 감사가 오래된 기록 하나를 잡아내기도 했다.
- 1399Robotics
Late Autumn: LLM Agents Specialize a General Multi-Robot Planner for One Warehouse
- LLM 코딩 에이전트가 9.0k 줄짜리 범용 다중 로봇 계획기를 한 창고 사이트에 맞게 특화하는 자율 연구를 여섯 차례 수행했다.
- 모든 캠페인의 최고 패치가 기준선보다 처리량을 22–60% 높였고 새로운 시드 20개에서도 이득이 유지되었다.
- 에이전트는 복도 출구 우선순위와 국소 안내, 롤아웃 같은 알려진 MAPF 기법을 스스로 다시 찾아냈고 독립 캠페인들이 같은 병목을 발견했다.
- 이득은 다른 배치와 더 큰 함대, 다른 서비스 시간에도 대부분 이어졌지만 출발 중심 수요에서는 거의 사라졌다.
- 최종 패치는 0.7k–2.4k 줄이고 향상 단계의 중간값이 27 줄이라 전문가가 커밋 단위로 검토할 수 있다.
- 검토는 점수가 놓치는 문제를 찾아냈고 일부 패치는 계획기 계산량을 100배 이상 늘렸다.
- 1398Research Agents
PAPERBENCHX: Can AI Reproduce Science Across Disciplines?
- PAPERBENCHX는 12개 연구 분야 93개 논문 재현 과제로 이루어진 벤치마크다.
- 과제는 Ansys HFSS, Meep, PySCF/GPU4PySCF, AutoDock Vina, Habitat 같은 10개 도메인 과학 소프트웨어 환경에서 수행된다.
- 모든 제출물을 깨끗한 환경에서 처음부터 다시 실행하고 에이전트 주장 대신 재생된 증거만 숨겨진 루브릭으로 채점한다.
- 10개 최첨단 에이전트 구성 중 최고인 GPT-6-Astra도 부분 점수 59.08%에 완전 재현율 13.98%에 그쳤다.
- 71개 과제는 어떤 구성도 완전 재현에 성공하지 못했다.
- 모델링과 실행 단계는 평균 62.73%와 61.83%를 받았지만 검증 단계는 42.91%에 그쳐 과학적 검증이 가장 약했다.
- 1397Agents / Memory
The Right Fact, the Wrong Decision: SciValidityBench for Scientific Agent Memory
- 같은 p = 0.03 값이라도 사전에 계획이 고정됐는지에 따라 증거 자격이 달라진다는 문제를 과학적 사용 타당성으로 정의했다.
- SCIVALIDITYBENCH라는 실행형 벤치마크 공장을 만들었고 64 TaskSpecs가 다섯 타당성 모듈과 여섯 과학 분야를 덮는다.
- SCISTATEFORGE 컴파일러–리더 파이프라인이 흩어져 있는 실험 기록을 결정을 지배하는 명시적 상태로 바꾼다.
- 네 모델 계열에서 컴파일된 과학 상태가 일반 Event Graph보다 올바른 결정을 9.2–18.8 percentage points만큼 끌어올렸다.
- BM25 검색만으로는 이 계열 공통 향상을 재현하지 못했다.
- 결정에 필요한 상태를 정확히 복구하면 무관한 복구보다 평균 18.6 validity points 더 회복되었다.
- 1396AI / Agents
Cumulative and Audited Guardrail Tool Evolution for LLM Agent Safety
- 저자들은 고정 규칙 기반 방어가 새로운 위험에 약한 문제를 풀기 위해, 보안 지식을 실행 가능한 가드레일 도구로 만들어 상속하고 감사하고 고치는 네 단계 프레임워크 EVOLVE를 제안했다.
- 여섯 개 전문 에이전트가 위험 분석, 도구 생성, 도구 융합, 실행, 감사, 수선을 맡아 위험 인식에서 신뢰 가능한 적응까지 닫힌 순환을 이룬다.
- RJudge, ASSEBench, AgentHarm 세 벤치마크와 네 개 백본 LLM에서 EVOLVE는 12개 조합 모두 1위를 하고 기존 방어보다 평균 F1 점수를 +22% 앞섰다.
- 안전을 위해 만든 도구의 20% 이상이 처음에는 취약점을 담는 VGT 현상을 찾아냈고, 감사를 거치면 프로그래밍 영역의 위험 도구 비율이 44.78%에서 8.20%로 떨어졌다.
- AI2THOR 몸을 가진 환경에서 93.3%의 위험 탐지 정확도를 보였고, 실제 6-DoF 로봇 팔에서 흉기 위협과 낙하 위험을 막고 충돌을 피하는 경로 재계획을 했다.
- 가드레일 도구 재사용률은 최대 86%에 도달해, 보안 지식이 배포 후 고정되지 않고 상호작용을 통해 쌓이며 진화함을 보였다.
- 1395Reasoning / RL
RLiD: Reinforcement Learning in the Decision Plane for Language Agents and LLMs
- 저자들은 토큰 수준 RL의 신용이 행동 표현 방식에 흔들리는 문제를 없애기 위해, 실행 가능한 행동 메뉴 위에서 한 번의 순전파로 행동을 고르는 큰 결정 모델을 강화학습하는 RLiD를 제안했다.
- 정리 1에서 같은 행동으로 이어지는 여러 문장 표현을 한데 묶으면 기댓값을 바꾸지 않고 표현에서 오는 분산을 없앤다는 것을 보였다.
- FrozenLake 정밀 감사에서 정확한 어드밴티지를 쓴 결정 평면 배치 그래디언트는 참 그래디언트와 코사인 0.88을 보였고, 토큰 정책 점수의 두번째 모멘트 가운데 71%에서 97%는 표현 분산이었다.
- ARC에서 Qwen2.5-1.5B 결정 모델은 0.12 GPU-h 만에 78.6%에 도달해 1.17 GPU-h 를 쓴 토큰 GRPO의 75.9%를 앞섰고, 같은 러너의 Sokoban에서는 44.5%로 모든 토큰 변형을 넘었다.
- ALFWorld에서 증류와 학생 RL을 합친 전체 경로는 12.7 H100 GPU-h 만에 성공률 99.3%에 도달했고, 같은 LLM의 토큰 수준 RL은 17.3 GPU-h 를 써도 86.6%였다.
- 메뉴가 없는 배포 조건에서도 생성형 증류 학생은 99.3%의 보지 못한 게임 성공률을 유지했고 메모리 없이는 90.5%를 기록했다.
- 1394AI Agents
EvoRec: A Unified Self-Evolving Agentic Recommender with Dynamic Reflection Trees
- 저자들은 추천을 필요 이해에서 계획, 실행, 피드백, 반성, 수리로 이어지는 닫힌 순환으로 만드는 통합 에이전트 추천 프레임워크 EvoRec을 제안했다.
- 필요 에이전트가 장기, 단기, 작업 기억에서 구조화된 사용자 필요를 끌어내고, 계획 에이전트가 행동 지속과 필요 충족 두 경로에 검색 예산 3,000을 나누며 도구와 랭킹 가중치를 고른다.
- 동적 반사 트리가 실패를 필요 추론, 계획, 이전 수리 전략 가운데 어디서 왔는지 찾아내고, 개인화 수리 전략을 만들어 다시 실행해 효과를 검증한다.
- 검증된 수리 전략은 작업 기억으로 들어가 이후 결정을 안내하고, 사용자 간에 재사용 가능한 전략으로 추상화되어 에이전트 파라미터 갱신 없이 자기 진화가 이어진다.
- 쿠아이슈우 로컬 서비스 광고 데이터에서 EvoRec은 가장 강한 기준 대비 Hit@50을 15.7% 올렸고, 반성 경험이 쌓인 사용자 18.5%에서는 Hit@50이 13.1% 올랐다.
- 7일 온라인 A/B 시험에서 근사선 배포된 EvoRec은 광고 수익을 4.6%, CTCVR을 3.5% 늘렸고 고의도 사용자에서는 수익이 14.5% 올랐다.
- 1393RAG / Agents
Grounding LLM Agents in Business Processes: Process-Aware Knowledge Graphs for Reliable Multi-Step Service Invocation
- 저자들은 OData 메타데이터와 BPMN 업무 프로세스를 하나의 타입 속성 그래프에 통합해 서비스 검색에 순서와 스키마 제약을 담았다.
- 하이브리드 검색기는 밀도 임베딩으로 후보 엔드포인트를 찾은 뒤 프로세스 연결선을 따라 이어지는 엔드포인트를 함께 검색했다.
- 질의와 하류 개체의 겹치는 단어가 적은 경우 이 방법은 Recall@3을 5.7점 올렸고(대상 74건), 임베딩 모델과 상위 k를 바꿔도 이득의 방향은 유지되었다.
- 다단계 질의 81개에 대한 에이전트 평가에서 이 방법은 과제의 38.7%를 완수해 청크 기반 기준선의 10.3%보다 높았다.
- 값 목록을 텍스트로만 주면 만든 코드는 사라지지만 46%의 쓰기 실행에 무효 키가 남았고, 온전한 타입 문맥은 무효 호출을 3%(101 실행 중 3건)로 줄이고 만든 코드도 없앴다.
- 한계로 저자들은 평가가 부분적으로 순환적이라고 적었다. 모의 검증기와 그래프가 같은 메타데이터를 공유해, 결과가 독립적인 실제 백엔드에서 재현되어야 한다.
- 1392Robotics
Remember Where You Walk: Learning Spatial Memory for End-to-End Legged Robot Exploration
- 저자들은 위치 기반 행렬 메모리인 LSMM을 제안해 강화학습 에이전트가 특정 위치의 메모리 칸에 과제 정보를 저장하게 했다.
- LSMM은 매 순간 로봇 위치 추정 중심의 5 × 5 칸 창만 갱신하고 나머지 메모리는 그대로 두어, 지나간 위치의 정보가 사라지지 않게 했다.
- 정책은 PPO로 미로 재구성 손실과 함께 끝까지 학습되었고, 보조 머리가 메모리 특징에서 미로 벽 배치를 맞추도록 훈련되었다.
- 100개의 새 미로 평가에서 모든 구조가 65.4에서 82.8% 사이의 비슷한 커버리지에 도달해, 순수 탐사 성능만 보면 공간 메모리가 필수는 아니었다.
- 미로 재구성 오차에서 LSMM만 유일하게 탐사 중 0.33에서 0.1로 크게 줄었고, 이는 어느 기준선보다 세 배 이상 낮은 수치였다.
- 한계로 메모리가 미로 크기에 맞춘 고정 영역이라 환경이 커지면 늘려야 하고, 갱신이 외부 위치 추정에 의존해 아직 로봇 자체 센서만으로 위치를 잡지는 못한다고 적었다.
- 1391Agents / Memory
Proactive Memory for Event-Driven LLM Agents
- ProactMem은 최근 사건, 시간 궤적, 행동 규칙성의 세 겹으로 메모리를 나눠 저장했다.
- LLM이 하루 사건에서 궤적을 뽑으면 출처 사건과 대조해 사실을 검증하고, 규칙성은 과거 재생으로 신뢰도를 계산했다.
- 저자들은 Sports, Home, Code 세 분야의 세로형 사건 흐름 벤치마크 ProactiveStream을 만들었고, 이 벤치마크는 17개 고립 스트림과 4,539개 사건, 729개 기준 개입을 담고 있다.
- ProactMem은 전체 효과성(F1) 52.6%를 기록해 다섯 외부 기준선 가운데 가장 강한 것보다 상대적으로 21.4% 높았다.
- 소거 실험에서 궤적 메모리를 더하면 세 분야 모두 효과성이 올랐고, 재현 검증이나 궤적 검증을 빼면 관련성과 효과성이 모두 떨어졌다.
- 한계로 저자들은 평가가 낮은 위험 서비스 설정과 미리 고정된 주석 규약 안에서 이루어졌고, 수혜자 이득과 배포 안전성은 앞으로 측정해야 한다고 적었다.
- 1390Reasoning / Survey
Video Generation Meets Agent Harness: Agentic Video Generation, Agentic World Modeling and Recursive Self-Improvement
- 보고서는 에이전트 하니스를 문맥 구성, 도구 노출, 상태 유지, 피드백 경로, 예산 집행을 담당하는 실행 런타임으로 정의하고 영상 생성 전반에 적용했다.
- 에이전트적 영상 제작 파트에서는 하니스가 대본과 슛 계획, 자산 관리, 촬영, 편집, 출처 표시를 공유 프로젝트 상태로 묶어 조율한다고 정리했다.
- 세계 모델 파트에서는 가벼운 게임 엔진이 세계 상태와 상호작용 규칙을 들고 있고 자기회귀 영상 모델이 그 결과를 화면으로 그리는 실행 가능한 게임 하니스 설계를 분석했다.
- 실시간 사례로 한 장의 H100에서 약 32 frames per_second 계산 속도와, 키 입력에서 화면 표시까지 112 milliseconds에 도달한 시스템을 소개했다.
- 재귀적 자기 개선 파트에서는 현재 출력 수정, 하니스 상태 갱신, 생성기 파라미터 갱신, 개선 절차 자체의 변경을 구분했고 검토한 시스템 중 생성기를 학습하고 검증하는 절차를 고친 사례는 아직 없다고 밝혔다.
- 남은 과제로 자율 영상 제작, 평생 기억, 프로그램과 화소의 하이브리드 생성, 사람 개입 없는 모델 개발, 출처 추적과 비용 계산을 들었다.
- 1389Agents
Implicit Minor Detection from Multi-Turn Dialogue in High-Risk AI Interactions: A Constrained Self-Evolving LLM Harness
- 이 논문은 계정이나 얼굴 같은 강한 신원 정보 없이 여러 차례 대화의 약한 단서만으로 현재 화자가 미성년자일 가능성을 추정하는 문제를 정식화했다.
- 저자는 고정 LLM과 버전 관리되는 Harness, Maker-Checker 검토로 이루어진 제약 프레임워크를 제안했고, 하니스가 추론 시점과 증거 표현, 출력 검증을 통제한다.
- 결정적 근거는 현재 대화에서 찾을 수 있는 짧은 인용이나 거의 그대로인 구절이어야 하고, 다른 사람 회상이나 인용문은 화자 판단 근거로 쓰지 못하게 막았다.
- 하니스 개선은 검증 데이터에서 관문 조건을 통과한 후보만 승격하고 통과 못 하면 이전 버전을 유지해, 한 번의 수정이 기존 정답을 망치는 퇴행을 막았다.
- 중국어 8,328건 다중 턴 대화 기준에서 같은 LLM 패밀리 직접 추론보다 평균 정밀도를 7.60 포인트, 미성년 클래스 F1을 6.37 포인트 올렸다.
- 50명 참가자 난제 연구에서 사람 평균 정확도는 72.6%였지만 경계 사례에서는 54.8%로 떨어져, 어려운 사례는 사람도 판단을 다툰다고 보았다.
- 1388Reasoning / RL
SCOPE: Selective Critical-Step On-Policy Self-Distillation for Agentic Reinforcement Learning
- 연구진은 주석을 단 WebShop 궤적에서 성공 궤적 걸음의 29.8%가 오류이고 실패 궤적 걸음의 42.4%가 올바르다는 결과-단계 불일치를 확인했다.
- 궤적 단위 스킬을 모든 걸음에 넓게 증류하면 스킬과 무관한 걸음에서 그릇된 신호가 생겨, 0이 아닌 격차 토큰의 57.9%가 무관 걸음에서 나왔다.
- SCOPE는 지도 학습 웜업으로 오류 위치 찾기와 단위별 교정 스킬 만들기를 먼저 익히고, 온라인 강화학습 중 자기 궤적을 분석해 고른 오류 단계에만 증류 신호를 넣었다.
- 유계 부호 증류 계수를 넣어 큰 교사-학생 격차가 학습을 무너뜨리는 것을 막았고, 학습 중 격차가 2715.5 nats까지 커져 발생한 급격한 성능 붕괴를 이 설계가 막았다.
- Qwen2.5-3B에서 SCOPE는 ALFWorld 성공률 97.7%, WebShop 성공률 85.2%를 기록해 SEED보다 각각 5.9, 6.3 포인트 앞섰다.
- 본 적 없는 ALFWorld 과제에서 성공률 89.6%로 GRPO보다 23.2 포인트 앞서고 평균 상호작용은 46.7% 줄였으며, Qwen3-32B로 확장해도 성공률 99.2%와 평균 걸음 7.7을 보였다.
- 1387AI Agents
VeriCUA: Verification as Agentic Exploration for Computer-Using Agents
- 검증자가 환경이나 녹화를 먼저 살펴 문맥을 얻은 뒤 지시문에 맞는 세분화 루브릭을 만들고 각 요건에 GUI 또는 코드 검사를 골라 증거를 모았다.
- 긁어온 증거에 입증과 주장 출처 표식을 붙여 에이전트의 완료 선언은 단독으로 요건 충족 판정에 쓰지 못하게 했다.
- 안드로이드월드 온라인 환경에서 정확도 90.5%, 거짓 양성률 7.7%로 비교 기준보다 가장 높은 정확도와 가장 낮은 거짓 양성률을 얻었다.
- 오프라인 검증에서 OSReward-Hard 정확도 70.4로 비교한 판정자 가운데 가장 앞섰고 어려운 사례에서 격차가 컸다.
- 코드 기반 상태 읽기를 더하면 결정률과 재현율이 오르고 거짓 양성은 그대로였으며, 시각 검사 통과를 더하면 일치도와 결정률이 모두 87%에 닿았다.
- 세 온라인 환경에서 거짓 완료 보고의 약 80%를 걸러냈고 그 차이는 ScienceBoard에서 가장 컸다.
- 1386AI Agents
KARMA: Training-Free Knowledge-Atomic Harness Evolution for Industrial Advertising Agents
- 지식을 역할, 도메인, 경험, 제약, 출력 규약, 행동 설명의 여섯 개 모듈로 나누고 한 주기에 최대 세 개의 원자적 수정만 허용했다.
- 결정적 검증기가 실패를 오류 계급과 규약 코드로 나눠 후보 모듈을 정하고, 비평가가 실패와 성공 궤적을 함께 비교해 수정안을 냈다.
- 검증 세트에서 얻은 점수가 θ = 0.01 문턱에 못 미치면 수정 전 지식 전체를 복원해 회귀를 막았다.
- 18개 도메인 모델 설정에서 평균 홀드아웃 점수를 30.19에서 39.15로 8.96 포인트, 즉 29.7% 올렸다.
- 성공 궤적이나 실패 궤적 중 하나만 쓰면 평균 홀드아웃 향상이 절반 이하로 떨어졌다.
- 한 도메인에서 진화한 지식을 다른 도메인에 그대로 옮겨 쓰면 30개 조합에서 평균 8.54 포인트를 얻었다.
- 1385AI Agents
MRC-MMAgent: Reinforcement Learning for Multi-Role Collaboration in Multimodal Tool-Using Agents
- 풀이, 검사, 계속의 세 역할을 하나의 실행 가능한 에이전트 루프 안에 넣고, 검사자가 답의 증거 지지를 판단해 마무리하거나 풀이를 계속하게 했다.
- 작업 성공, 상호작용 유효성, 검사 후 수정 성공을 하나의 궤적 보상으로 묶고 (λacc, λfmt, λcorr) = (0.7, 0.1, 0.2) 가중치로 합쳤다.
- 전체 궤적 GRPO가 결합 보상을 모든 역할 결정에 전달해 역할별 마스크 최적화가 만드는 사후 역할 귀속 편향을 피했다.
- MMSearch-R1 학습 세트만 써서 기반 모델보다 11.1 포인트 올렸고 8B 모델 평균 68.1로 같은 규모 시스템 가운데 가장 앞섰다.
- 이미지 추론 벤치마크에서도 V* Bench 93.2, HR-Bench 8K 78.5로 가장 좋은 성적을 얻었고 기반 모델보다 V* Bench +6.8, HR-Bench 8K +3.9 올랐다.
- 검사자를 학습하지 않으면 98.3%의 궤적을 계속으로 표시해 불필요한 수정이 늘었고, 학습하면 계속 비율이 60.4%로 줄고 정확도가 62.7에서 64.0으로 올랐다.
- 1384Robotics
Gym-Anything for Robotics: Scaling physical simulations with digital agents
- 연구진은 미국 GDP 데이터에서 직업과 일상 활동을 원자적 물리 행동으로 쪼개 120개 행동 그룹을 뽑고, 그중 25개 시뮬레이션을 코딩 에이전트가 만들게 했다.
- 생성 에이전트와 4개 감사 에이전트가 3라운드 동안 물리 오류와 악용 가능성을 잡아내는 생성-감시 반복문으로 시뮬레이션 품질을 검증했다.
- 그 결과물 RoboWorld는 25개 시뮬레이션에 25개 시험 환경과 175개 학습 RL 환경을 포함하며 로봇 교체와 장면 변형을 지원한다.
- 최첨단 모델 3개는 25개 시험 과제 모두에서 성공률 0%였고 평균 보상은 최고 0.06에 그쳤으며, 더 쉬운 25과제에서는 Claude Opus 5.5가 성공률 32%를 달성했다.
- 권한 있는 상태를 읽는 코드 폴리시가 2,048개 초기 상태 중 96.7%를 성공시켰고, 그 시연 1,000개로 학습한 π0.5는 두 과제에서 성공률을 0%에서 53%로, 못 본 변형에서는 55%로 끌어올렸다.
- 한계로, 로봇 자유도가 늘수록 성공률이 떨어져 휴머노이드 과제에서는 두 GPT 모델이 보상을 전혀 얻지 못했다.
- 1383Research Agents
MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery
- MolRSI는 과학 논문과 코드를 검증된 실행 스킬로 바꾸고, 경험이 이끄는 몬테카를로 트리 탐색(MCTS)으로 워크플로우를 조립하고 개선했다.
- 25개 원천 과제에서 얻은 성과, 수정 결과, 실행 기록을 persistent memory에 저장해 이후 과제의 탐색 정책을 재귀적으로 개선했다.
- 항생제 가상 스크리닝에서 107개 화합물 중 17개가 MIC 32µg/mL 이하의 항균 활성을 보였고, 실험 적중률 15.9%는 전문가 주도 워크플로우의 8.7%보다 높았다.
- 펩타이드-MHC 바인더 설계에서 MART-1과 SARS-CoV-1에 대해 각각 5개, 3개씩 모두 8개의 실험적 히트를 냈고, 같은 조건의 Claude Science는 히트를 내지 못했다.
- 소형분자 자원 라이브러리는 110개의 재사용 가능한 스킬(모델 55, 메서드 48, 도구 7)로 구성했고, 단백질 라이브러리는 65개 스킬로 구성했다.
- 한계로, 저자들은 생물학적 표적과 평가 기준이 바뀌어도 정책 갱신이 유용한지가 남은 과제이며 실험 결과를 정책 갱신에 넣는 것은 향후 작업이라고 밝혔다.
- 1382LLMs / NLP
Nemotron 3.5 Super and Lightning: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Models for Agentic AI
- NVIDIA는 MoE 하이브리드 Mamba-Transformer 구조의 Nemotron 3.5 Super(120B 파라미터, 12B 활성, 멀티모달)와 Lightning(30B, 3B 활성, 텍스트)를 공개했다.
- 두 모델은 MTP 워밍업 100B 토큰, 상위 모델에서 1조 토큰 증류, 긴 문맥 학습을 거쳤고 Super는 인도어 지속 사전학습과 에이전트 소프트웨어 엔지니어링 미드트레이닝을 추가로 받았다.
- 에이전트 미드트레이닝으로 동일 SFT 조건에서 DeepSWE pass@1이 6.4%에서 10.4%로, SWE-bench Verified(Codex 하니스)가 48.4%에서 61.8%로 올라갔다.
- 학습후 Super 모델은 SWE-bench Pro에서 51.78%를 기록해 활성 파라미터를 약 4.6배 덜 쓰고도 Nemotron 3 Ultra를 넘었고, 병렬 에이전트 실행과 자기검증으로 Terminal-Bench 2.1을 62.7%에서 71.9%로 끌어올렸다.
- NVFP4 양자화는 36개 벤치마크에서 BF16 대비 중앙 정확도 회복률 99.62%를 달성했고, MTP 부스팅은 확률적 드래프트 샘플링에서 수용 길이를 최대 21.8% 늘렸다.
- GB200 한 장에서 초당 최대 4,856 출력 토큰을 내며 사용자당 최소 50 토큰/초를 유지했고, 인터랙티브 에이전트 워크로드에서 NVFP4는 BF16 대비 2.43배의 처리량을 냈다.
- 1381Robotics
OmniBrain-0: A Unified Agentic Model for Embodied Intelligence
- OmniBrain-0는 가벼운 통합 에이전트로 조작과 내비게이션을 공유 상위 결정 모델로 묶어 과제 이해, 계획, 진행 추적, 실패 복구를 함께 처리한다.
- LIBERO-Pro에서 전반 성공률 65.5%를 기록했고 평균 과제 완료 시간은 13.8분에서 1.6분으로 8.6배 짧아졌으며 RSI가 성공률을 69.3%까지 올렸다.
- RoboCasa365에서 전반 성공률 39.6%로 RLDX-1의 36.0%를 넘고 퓨샷 백본의 12.2%의 세 배 이상이었다.
- R2R-CE 내비게이션에서 SR을 34.0%에서 65.0%로, NE를 6.57 m에서 3.78 m로 개선했다.
- GPT-5.6-Sol 대비 토큰 사용량은 다섯 벤치마크에서 각각 4.5배, 2.6배, 3.5배, 12.7배, 3.7배 적었다.
- 실제 로봇 과제 세 종류에서 평균 성공률 73.3%로 π0.5의 58.3%를 넘었다.
- 1380Robotics
EmbodiedLab: Benchmarking Embodied Agents That Act to Know
- EmbodiedLab은 다섯 분야 30개 실험을 14개 실험대에서 수행하며 에이전트가 목표와 장비만 받고 절차를 스스로 정하게 했다.
- 성공은 결과가 기기 허용 오차 안에 들고 같은 에피소드에서 기록된 판독에 근거하며 실험대를 과제가 요구하는 상태로 남길 때만 인정된다.
- 여섯 최전선 모델을 평가한 결과 T0 최저 인터페이스에서 최고 성공률은 Claude Opus 5.5의 43.3%였고 GPT-6 Astra가 40.0%로 따랐다.
- 모든 에이전트에서 장비 조작, 관측, 복원을 합치면 실패의 75%에서 100%를 차지했고 이미 확보한 판독의 추론 실패는 최대 25%였다.
- 지각과 운동 계획을 더한 T1은 성공률을 최대 10점 올리는 데 그쳤고 조작 스킬을 더한 T2는 약한 에이전트를 10점에서 27점 올렸다.
- 1379Agents
EvolveMAS: A Unified Self-Evolution Framework for Decentralized Multi-Agent Systems
- EvolveMAS는 각 주 에이전트에 전용 MemoryAgent를 붙여 주 에이전트의 추론 맥락 밖에서 격리된 구조화 메모리를 관리하게 했다.
- 다섯 벤치마크와 여섯 평가 설정에서 EvolveMAS는 규격화 평균 점수 77.2로 가장 강한 개별 설정 기준 대비 9.7점, Self-Memory 대비 7.7점 높았다.
- 협동 설정에서 BBH 83.0, HumanEval 97.0을 기록해 각각 기준 79.0, 95.7을 넘었다.
- 적대 설정 늑대 게임에서 늑대 기만 성공 70.0으로 최고 경쟁 방법보다 13점 높았다.
- LLM-Deliberation 절제 실험에서 외부 MemoryAgent는 만장일치율을 24.0%에서 74.0%로 올리고 교차 에피소드 지식 추가로 86.0%까지 올렸다.
- 메모리 관리로 7번째 에피소드에서 맥락 점유율을 0.62%로 유지해 원문 이력을 맥락에 실은 대비 6.54%보다 낮았다.
- 1378AI Agents
AutoRSE: Evaluating LLM Agents as Recommendation Engineers for Self-Evolving Recommender Systems
- 저자들은 여섯 개 대표 산업급 추천 과제를 아우르는 AutoRSE 평가 틀을 만들었고, 각 과제에서 에이전트는 충실히 재현한 최신 알고리즘과 H200 GPU 한 대, 12시간 최적화 예산을 받았다.
- 세 최전선 모델과 세 하니스의 일곱 조합 가운데 42개 평가 설정 중 35 cases에서 기준선을 넘어, 모든 과제와 설정을 합쳐 평균 16.1%의 상대 향상을 냈다.
- 궤적 분석에서 4425개 실험 가운데 엔지니어링 최적화가 91.7%를 차지했고, 모델 결합이 59.0%, 파라미터 튜닝이 26.2%로 압도적이었으며 알고리즘 혁신은 8.3%에 그쳤다.
- 최종 제출 알고리즘의 평균 신규성 점수는 4.0점 만점에 2.42로 표준 부품 조합 수준에 머물렀고, 신규성 점수가 높을수록 성능 향상도 커져 Pearson 상관계수 r = 0.79를 보였다.
- 최전선 연구와 전문가에서 뽑은 아이디어를 주입하면 스스로 아이디어를 만든 설정보다 평균 13.35% 더 큰 향상과 0.58점 높은 신규성 점수를 얻어서, 아이디어 생성이 병목임을 확인했다.
- 생성형 추천 과제에서는 평균 29.2% 오른 반면 클릭률 예측에서는 3.1%에 그쳐서, 기준선이 덜 익은 분야일수록 에이전트의 이득이 컸다.
- 1377Reasoning / RL
When Fine-Grained Credit Assignment Helps and Hurts: Multimodal Agentic Reinforcement Learning through Video Editing
- 저자들은 실제 영화 49편과 개봉 예고편에서 콘텐츠 선택, 순서 배열, 대강 편집, 마감 편집의 네 과제 유형으로 797개 편집 과제를 만들었다.
- Qwen3.5-9B를 결과 보상만 쓰는 GRPO로 학습하면 네 과제 전체 점수가 0.284에서 0.413으로 올라가서, 짧은 과제에서는 결과 보상만으로도 경쟁력이 있었다.
- 과정 보상 가중치를 고정한 GRPO+PRM은 전체 점수가 0.334에 그쳤고, 중단된 롤아웃이 44.1%나 되어서, 과정 보상이 계속 오르는 동안 과제 완료율과 결과 점수는 떨어지는 보상 해킹이 나타났다.
- 과정 보상 가중치를 업데이트 20부터 30까지 0으로 줄이면 전체 점수가 0.447로 가장 높아지고 중단률이 6.2%로 내려가서, 해킹을 막으면서 초기 이득을 지켰다.
- 가장 긴 마감 편집에서 감쇠 과정 보상은 결과 보상만 대비 45.4% 상대 향상을 냈고, 나머지 세 짧은 과제에서는 결과 보상만으로도 충분해서 향상이 최대 10.4%에 그쳤다.
- 토큰 단위 감독인 온-정책 자기 증류 OPSD는 정답 조건에서 0.277로 배움이 거의 없었고 턴 제안 조건에서는 0.044로 크게 무너져서, 촘촘한 감독이 학습을 보장하지 않는다는 한계를 보였다.
- 1376AI Agents
RSIV-Harness: A Recursive Self-Improvement Harness Framework for Open-Domain Conversational Text-to-Visualization
- 사용자가 어떤 데이터베이스에 자료가 있는지 모르고 요청하면, 에이전트는 자료를 찾고 모호하면 되묻고, 앞서 정한 조건을 지키며 차트를 고쳐야 하는데, 기존 하니스는 한 번 만들어진 뒤 바뀌지 않아 같은 실패가 반복된다고 문제를 정의했다.
- ODAC-Vis 벤치마크는 640개 대화 과제로, 열린 도메인 자료 탐색, 모호함 해소, 여러 차례에 걸친 차트 다듬기를 함께 평가한다.
- RSIV-Harness는 모델 가중치를 고정하고, 안쪽 돌기가 과제를 풀고, 바깥쪽 돌기가 실패 흔적을 읽어 하니스 개정안을 제안하며, 앵커 검사와 메모리 검사를 통과한 개정만 채택한다.
- 자기개선 한 번으로 여섯 지표가 모두 올랐고, 실행 가능성은 28.02점, 차트 구조는 34.01점 크게 개선되었다.
- 안정 규칙을 빼고 진화시키면 여섯 지표가 모두 나빠져서, 실행 가능성이 9.73점 떨어졌다.
- DeepSeek으로 진화시킨 하니스를 GPT-6 Luna에 그대로 옮겨도 여섯 지표 가운데 다섯이 정적 하니스보다 나아져서, 하니스 개선이 모델을 바꿔도 옮겨간다고 보였다.
- 1375Reasoning
Evolve on Graph: Self-Evolving Knowledge Graph Reasoning without Question Annotations
- 연구진은 질문 주석 없이 지식그래프만으로 LLM 추론 능력을 키우는 EoG 프레임워크를 제안했다.
- 하나의 LLM 이 질문을 내는 제안자와 답하는 해결자 역할을 번갈아 맡는 그래프 자기대결을 돌렸다.
- SVTS 가 그래프에서 논리 쿼리를 실행해 완전한 정답 집합까지 갖춘 훈련 과제를 만들었다.
- 해결자 점수 분산에 따라 제안자를 보상하는 경계 인식 커리큘럼이 과제 난이도를 해결자 능력 경계에 맞춰 옮겼다.
- Qwen-2.5-7B 기준 평균 Hit@1 를 최고 기준보다 7.46 점, 산업 지식그래프에서는 17.80 점 앞섰다.
- 주석 없이 만든 훈련 과제는 시험 문제와 거의 겹치지 않아 성능 향상이 시험 유출에서 오지 않았다.
- 1374RAG / Agents
From Questions to Queries to Insights: A Schema-Grounded Agentic Workflow for Natural-Language Crash Data Analysis
- 연구진은 완전 로컬에서 도는 스키마 기반 에이전트 워크플로 CrashDB-QA 를 제안해 자연어로 사고 데이터베이스를 분석하게 했다.
- 공유 지식베이스가 기관 데이터 사전과 안전 분석 관례로 쿼리 생성을 묶고, 중간 출력을 기록해 검수와 감사를 가능하게 했다.
- 4.4 million 건 위스콘신 사고 기록 스냅샷에 300 문항 새 벤치마크와 9개 로컬 오픈 웨이트 모델로 평가했다.
- 코드 특화 7B 모델이 정확도 80.7%, 중간 지연 9.2 s 로 시험 모델 가운데 최상의 정확도-지연 균형을 보였다.
- 그룹이나 기간 비교 문제는 어려웠고, 어떤 모델도 43.3% 를 넘지 못했다.
- 판정자에게 공식 필드 정의를 주고 정제자에게 실행 증거를 주자 정확도가 83.7% 까지 올랐다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기