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. 279LLMs / NLP

    Mellum2 Technical Report

    • 이 보고서는 토큰당 2.5B 활성 파라미터를 갖는 오픈웨이트 12B 파라미터 MoE 언어 모델 Mellum 2를 소개한다.
    • 코드 생성, 수학 및 추론, 도구 사용, 지식, 안전성 벤치마크 전반에서 Mellum 2는 4B-14B 범위의 오픈웨이트 베이스라인과 경쟁력을 보이면서도 2.5B 밀집 모델의 토큰당 연산량으로 동작한다.
    • 저자들은 베이스, instruct, thinking 체크포인트를 그 배경이 되는 구조 결정, 데이터 파이프라인, 학습 레시피를 담은 이 보고서와 함께 Apache 2.0 라이선스로 공개한다.
  2. 278LLMs / NLP

    LongTraceRL: Learning Long-Context Reasoning from Search Agent Trajectories with Rubric Rewards

    • 다섯 개의 롱컨텍스트 벤치마크에서 세 가지 추론 LLM(4B~30B)으로 수행한 실험은 LongTraceRL이 강력한 베이스라인을 일관되게 능가하며 포괄적이고 근거에 기반한 추론을 유도함을 보여준다.
    • 검증 가능한 보상을 활용한 강화학습(RLVR)은 이 과제에서 가능성을 보여주었으나, 기존 방법들은 혼동성이 낮은 방해 항목과 희소하고 결과만 반영하는 보상 신호에 한정되어 중간 추론 단계를 감독하지 못한다.
    • 이 논문은 이러한 문제를 해결하기 위해 LongTraceRL을 제안한다.
  3. 277Computer Vision

    VLM3: Vision Language Models Are Native 3D Learners

    • 그 결과로 저자들은 표준 VLM이 다양한 3D 과제를 능숙하게 수행할 수 있게 하는, 가장 단순한 설계의 확장 가능한 방법인 VLM3를 제안한다.
    • 심층적인 대규모 연구는 첫째 초점 거리 통일, 둘째 텍스트 기반 픽셀 참조, 셋째 데이터 혼합 및 스케일링만 있으면 효과적인 3D 학습에 충분하다는 것을 보인다.
    • 비전 언어 모델(VLM)은 프롬프팅을 통해 단일 모델이 다양한 비전 과제를 풀 수 있게 한다.
  4. 276Computer Vision

    Representation Forcing for Bottleneck-Free Unified Multimodal Models

    • 이 논문은 표현 예측을 모델의 고유 기능으로 만들어 이 격차를 메우는 기법인 Representation Forcing(RF)을 제안한다.
    • 이를 단순히 제거하면 모델이 고수준 구조와 저수준 세부를 모두 원시 픽셀로부터 학습해야 하므로 품질 격차가 생긴다.
    • 구체적으로 RF는 디코더가 픽셀에 앞서 시각적 표현을 중간 토큰으로 자기회귀적으로 예측하도록 강제하며, 이 토큰들은 이후 동일한 백본 내에서 픽셀 확산을 안내하기 위해 컨텍스트에 유지된다.
  5. 275LLMs / NLP

    MemTrace: Tracing and Attributing Errors in Large Language Model Memory Systems

    • 갱신 오류: 기존 메모리 상태를 잘못 수정하거나 덮어쓰는 경우다.
    • 삭제 오류: 유용한 정보를 부적절하게 제거하는 경우다.
    • 검색 오류: 주어진 질의에 대해 관련 메모리 단위를 찾지 못하는 경우다.
  6. 274Computer Vision

    GPIC: A Giant Permissive Image Corpus for Visual Generation

    • Long: 전경, 배경, 그리고 특정 OCR 텍스트를 묘사하는 매우 상세한 5~7개 문장이다.
    • GPIC-Nano: 100만 장의 이미지로, 빠른 프로토타이핑에 적합하다.
    • GPIC-Lite: 1000만 장의 이미지로, 보다 본격적인 개발에 적합하다.
  7. 273LLMs / NLP

    Scaling Laws for Agent Harnesses via Effective Feedback Compute

    • 단계 복잡도(L): 필요한 추론 또는 행동 단계의 최소 개수다.
    • 라우터: 더 높은 품질의 라우터는 모델이 적절한 시점에 적절한 도구를 호출하도록 보장함으로써 η를 크게 증가시킨다.
    • 메모리 충실도: 더 나은 상태 관리는 유용한 정보가 보존되고 활용되도록 보장하여, 중복적인 상호작용을 방지한다.
  8. 272Computer Vision

    GenClaw: Code-Driven Agentic Image Generation

    • 최종 렌더링: 이미지 모델은 이 물리적 초안을 시각적 가이드로 삼아 사실적인 장면을 생성한다.
    • 검색 결과가 틀렸다면, 이는 인지 오류다.
    • 레이아웃이 비논리적이라면, 이는 코드 오류다.
  9. 271Computer Vision

    Déjà View: Looping Transformers for Multi-View 3D Reconstruction

    • 레지스터 토큰: 트랜스포머의 전역 스크래치패드로 사용되는 네 개의 토큰이다.
    • 카메라 토큰: 해당 시점의 자세와 내부 파라미터에 관한 정보를 저장하는 특수 토큰이다.
    • 프레임 어텐션: 이 하위 블록은 각 이미지에 대해 독립적으로 작동하여, 모델이 단일 시점 내의 국소 기하 구조를 추론할 수 있게 한다.
  10. 270Computer Vision

    minWM: A Full-Stack Open-Source Framework for Real-Time Interactive Video World Models

    • 학습 단계: 카메라 제어성은 즉각적으로 생기지 않는다. HY1.5 백본을 사용했을 때, 모델은 2,000 스텝에서는 반응성을 보이지 않았고, 5,000 스텝에서 제어의 징후를 보이기 시작했으며, 8,000 스텝 이후에야 안정화되었다.
    • 체화 AI: 로봇에게 행동의 시각적 결과를 예측할 정신적 시뮬레이터를 제공한다.
    • 게임 개발: 플레이어의 움직임에 즉석에서 반응하는 무한하고 상호작용 가능한 환경을 생성한다.
  11. 269Machine Learning

    Learn from your own latents and not from tokens: A sample-complexity theory

    • 예측기(Predictor): 잠재값의 튜플을 입력받아 그 사촌 잠재값의 분포를 예측하려는 네트워크다.
    • 군집기(Clusterer): 예측기의 출력을 이산적 코드 또는 군집 정체성으로 압축하는 네트워크다. 이 코드가 다음 계층의 입력이 된다.
    • 리프터로서의 교사: EMA 교사는 학습된 잠재값을 자신의 타깃에 점진적으로 통합한다. 이는 학습이 진행되는 동안 예측 과제를 토큰 수준에서 잠재 수준으로 끌어올린다.
  12. 268AI / General

    SIA: Self Improving AI with Harness & Weight Updates

    • SIA-H(Harness 전용): 에이전트는 분류 파이프라인을 구축해 50.0% 정확도에 도달했다. 그러나 프롬프트와 코드가 한계에 이르면서 성능이 정체되었다.
    • SIA-W+H(Weights + Harness): 가중치 갱신을 추가하자 모델이 법률적 미묘함을 내재화하는 법을 학습했다. 정확도는 70.1%로 도약했으며, 이는 이전 최고 성능인 45.0%를 크게 상회하는 결과다.
    • SIA-W+H: 이 시스템은 초기 베이스라인 대비 14.02배의 속도 향상을 달성했다. 여기서 가중치 갱신이 결정적이었는데, 모델이 공유 메모리 타일링과 레지스터 누산 같은 특정 H100 하드웨어 패턴을 학습했으며 이는 스캐폴드 반복만으로는 발견할 수 없는 것이었다.
  13. 267Machine Learning

    Parallax: Parameterized Local Linear Attention for Language Modeling

    • Perplexity: Parallax는 LAMBADA, WikiText 같은 데이터셋에서 Transformer 베이스라인 대비 일관되게 더 낮은 perplexity, 즉 모델이 표본을 얼마나 잘 예측하는지를 나타내는 척도를 달성했다.
    • 다운스트림 과제: 질의응답과 상식 추론을 다루는 제로샷 벤치마크인 HellaSwag, ARC 등에서 Parallax는 뚜렷한 성능 향상을 보였다.
    • 대조 실험: 성능 향상이 단순히 더 많은 파라미터나 더 많은 연산량 때문이 아님을 확인하기 위해, 저자들은 표준 Transformer의 파라미터 일치 버전과 연산량 일치 버전을 만들었다. Parallax는 두 버전 모두를 능가했으며, 이는 개선이 파라미터화된 국소 선형 메커니즘 자체에 내재된 것임을 시사한다.
  14. 266Computer Vision

    How and What to Imagine? Visual Thinking in Unified Multimodal Models for Cross-View Spatial Reasoning

    • Visual thinking의 핵심 실패 모드인 '생성했지만 사용하지 않음' 문제 식별
    • View Dropout(VDrop): 답변 구간에서 입력 뷰 일부를 마스킹하여 thinking-image를 거치도록 강제하는 훈련 기법
    • Learnability-Informativeness(L-I) 트레이드오프 프레임워크로 세 가지 시각적 사고 표현(파노라마·탑다운·포인트 매칭) 비교
    • 합성 데이터(Infinigen Indoors) 8K 샘플로 훈련 후 5개 실제 OOD 벤치마크에서 평가
    • 파노라마 visual thinking + VDrop이 유일하게 두 축에서 높은 점수를 기록하며 최상 OOD 성능 달성
    • 3× 더 많은 데이터로 학습한 기존 방법들보다도 우수한 6.7포인트 OOD 향상 달성
  15. 265LLMs / NLP

    Rethinking Memory as Continuously Evolving Connectivity

    • 성공: 이러한 위상적 및 단위 수준 편집을 통해 에이전트는 작업을 성공적으로 완료했다.
    • 자기 교정 검색: 환경 피드백을 통해 '과잉 연결' 및 '연결 부족' 문제를 동적으로 수정한다.
    • 세분성 조정: 저장된 메모리의 상세 수준을 현재 작업 요구에 맞게 적응시킨다.
  16. 264Machine Learning

    Long Live The Balance: Information Bottleneck Driven Tree-based Policy Optimization

    • 효율성: 접두부를 재사용하고 KV 캐싱을 효과적으로 활용하여, 독립 샘플링 대비 동일한 토큰 예산 내에서 더 많은 궤적(더 높은 G)을 생성할 수 있게 한다.
    • 적응형 탐색: IB-Score를 기준으로 분기함으로써, 모델은 높은 다양성과 정답을 향한 강한 신호가 모두 존재하는 '핵심' 단계에 탐색을 집중한다.
  17. 263LLMs / NLP

    Self-Improving Language Models with Bidirectional Evolutionary Search

    • 결합: 이 연산자는 동일한 시작점을 공유하는 서로 다른 두 추론 경로를 취해 각자의 고유한 접미부를 병합한다. 이를 통해 모델은 여러 시도에서 나온 성공적인 구성 요소들을 종합할 수 있다.
    • 삭제: 궤적에서 단일 내부 단계를 제거한다. 이는 추론을 간소화하거나 모델을 잘못된 방향으로 이끌 수 있는 중복된 '채움' 단계를 제거하는 데 도움이 된다.
    • 전위: 한 궤적의 한 단계가 다른 궤적의 단계로 교체된다. 이는 동일한 맥락에서 다른 접근이 더 잘 맞는지 확인하기 위해 논리의 한 조각을 '교체'하는 것과 유사하다.
  18. 262Robotics

    Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments

    • 보조 시각-언어 데이터(8.5%): 모델이 장면을 묘사하거나 객체에 대해 추론하는 방법을 잊지 않도록 하는 범용 VLM 데이터다.
    • 통합 구조: 공유 행동 전문가와 텍스트 조건화를 통해 하나의 모델이 다양한 체화 형태(팔, 손, 이동 베이스)를 제어할 수 있음을 입증한다.
    • 모달리티 간 전이: 시각-언어 학습이 더 나은 객체 인식과 명령 파싱을 제공함으로써 로봇 행동에 직접적으로 도움이 됨을 보여준다.
  19. 261AI / General

    ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence

    • 점수 검증(I1): 감사자는 보고된 점수가 재현 가능한지 확인하기 위해 '골든' 평가기에서 에이전트의 코드를 재실행한다.
    • 사양 위반(I2): 시스템은 에이전트가 규칙을 우회했는지(예: 정답 하드코딩 또는 제한된 데이터 임포트) 점검한다.
    • 참고문헌 검증(I3): 모든 인용은 환각을 탐지하기 위해 전 세계 학술 데이터베이스와 대조 확인된다.
  20. 260AI / General

    AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation

    • 공유 포럼(F): 에이전트들이 구조화된 토론을 게시하고, 특정 변경이 왜 효과적이었는지 가설을 세우며, 다른 에이전트의 제안을 비판하는 공간이다.
    • 분석가 제거: 이는 제안 품질의 상당한 저하로 이어졌는데, 실험 에이전트들이 중복되거나 근거가 빈약한 시도를 피할 전략적 감독을 갖추지 못했기 때문이다.
    • 에이전트 간 피드백 제거: 동료 비평을 비활성화하자 '잘못된 출발'의 비율이 높아졌는데, 이는 다른 에이전트가 쉽게 결함을 식별할 수 있었던 가설을 시스템이 추구하는 경우였다.
  21. 259Computer Vision

    SpatialBench: Is Your Spatial Foundation Model an All-Round Player?

    • DENSE: 장기 시계열 비디오 시퀀스에 초점을 맞추며, 최대 500프레임 한계까지 거의 모든 프레임을 입력한다.
    • 로보틱스용: DA-Next-5M 또는 유사한 1인칭 시점 데이터셋으로 학습된 모델을 사용한다. 표준 실내/실외 파운데이션 모델은 손목 장착형 조작 작업에서 실패할 가능성이 높다.
    • AR/VR용: 온라인 스트리밍 또는 청크 기반 모델이 선호된다. 이러한 시스템은 모바일 기기나 헤드셋의 메모리 한계를 초과하지 않으면서 긴 세션을 처리해야 한다.
  22. 258Research

    The sum-product conjecture is false for real numbers

    • 실수 위에서 sum-product 추측(1.1)을 반증: |A+A|와 |AA|가 모두 |A|^{2-c} 이하인 반례 구성
    • 완전 실대수체(totally real number field)의 대수적 정수를 활용한 고차원 Balog–Wooley 유형 구조
    • Many sums and products 추측 또한 반증: max(|kA|, |A^(k)|) ≤ |A|^{C log k / log log k}
    • p-adic, 유한체 Fp, 양특성 함수체 Fq((t)) 등 다양한 환에서의 변형 결과
    • 승법군에서 선형 방정식 x1+...+xk=1의 해 개수에 대한 새로운 하한 및 단위 방정식 응용
    • GPT-5.5 Pro가 초기 탐색에 사용되었으나 최종 증명은 거의 인간이 생성 (OpenAI 단위거리 추측 반례에서 영감)
  23. 257Computer Vision

    R³: 3D Reconstruction via Relative Regression

    • 스케일 안정성: 인접한 두 프레임 사이의 상대적 이동(베이스라인)은 보통 작고 예측 가능한 반면, 긴 여정의 시작점으로부터의 거리는 그렇지 않다.
    • 원점 독립성: 시퀀스 내 어떤 프레임도 다른 프레임의 기준이 될 수 있다. 시스템은 더 이상 첫 관측에 '사슬처럼' 묶여 있지 않다.
    • 신규성: 새 프레임의 시각적 특징이 이미 저장된 것과 충분히 다를 경우, 해당 프레임이 뱅크에 추가된다.
  24. 256Machine Learning

    Recursive Flow Matching

    • 트레이드오프 제거: 대부분의 모델이 속도와 정확도 사이의 선택을 강요하는 반면, RecFM은 재귀적 학습을 사용해 두 가지를 동시에 향상시킨다.
    • 명시적 스케일 정렬: '교사' 모델을 사용해 '학생'을 증류하는 일관성 모델과 달리, RecFM은 단일 네트워크를 사용하며 내부적으로 다중 스케일 정렬을 강제한다. 이는 학습 중 더 견고한 그래디언트 신호를 제공한다.
    • 물리적 충실도: 궤적을 '직선화'함으로써, RecFM은 생성 모델을 가속할 때 보통 손실되는 고주파 디테일(파동과 와류 등)을 보존한다.
  25. 255Machine Learning

    Scaling World-Model Reinforcement Learning Through Diffusion Policy Optimization

    • 월드 모델 기반 RL의 핵심 병목인 탐색-가치 학습 간 구조적 불일치(misalignment) 식별
    • 정책 최적화를 잠재 월드 모델 상의 diffusion process로 재정식화하여 탐색과 정책 최적화 통합
    • 데이터셋이 유도하는 암시적 에너지 함수(KL trust region)로 정책을 행동 분포에 고정
    • 상상 궤적의 누적 보상으로 score field를 정정하여 최적 Gibbs 정책으로 수렴
    • 다중 태스크 오프라인 사전학습·온라인·오프라인-투-온라인 설정 전반에서 일관된 성능 향상
    • 모델 용량 증가에 따른 단조적 성능 개선으로 확장성 입증
  26. 254Computer Vision

    Gamma-World: Generative Multi-Agent World Modeling Beyond Two Players

    • 허브 토큰은 모든 에이전트 토큰과 다른 허브 토큰에 어텐션을 수행한다.
    • 양방향 교사 학습: 모델은 우선 전체 시간 시퀀스에 접근할 수 있는 표준 디퓨전 모델로 학습된다. 이 '교사'는 멀티에이전트 상호작용의 전체 분포를 높은 충실도로 학습한다.
    • 인과적 학생 학습: 실시간 롤아웃을 가능하게 하기 위해 '학생' 모델은 인과적 구조를 사용해 학습된다. 교사와 달리 학생은 과거와 현재만 본다. Sparse Hub Attention 마스크와 각 프레임 블록마다 독립적으로 샘플링된 노이즈 레벨을 사용한다.
  27. 253Computer Vision

    From Pixels to Words -- Towards Native One-Vision Models at Scale

    • 인과적 종속성의 경우, 인덱스 j가 i보다 크거나 같으면 토큰의 표준 순차 순서를 따른다.
  28. 252AI / General

    MUSE-Autoskill: Self-Evolving Agents via Skill Creation, Memory, Management, and Evaluation

    • 테스트는 스킬이 Skill Bank에 들어가도록 허용되기 전에 스킬이 올바르게 작동하는지 검증하는 데 사용되는 단위 테스트다.
    • 메모리는 이전 실행에서 얻은 관찰과 교훈을 저장하는 고유한 파일(.memory.md)이다.
    • 레벨 1(단일 노드 압축)에서는 특정 도구 출력이 방대할 경우(예: 20,000 토큰 분량의 로그 파일), 주변 대화는 그대로 유지하면서 그것을 간결한 요약으로 대체한다.
  29. 251Information Retrieval

    Your Embedding Model is SMARTer Than You Think

    • 효율성 측면에서, 개발자는 전체 데이터베이스를 다시 인덱싱하거나 비용이 큰 재학습을 수행하지 않고도 기존 검색 시스템을 '다중 벡터' 지원으로 업그레이드할 수 있다.
    • 정확도 측면에서, SMART는 이미지 분류 같은 전역 작업과 100페이지 매뉴얼에서 특정 문장을 찾는 것 같은 지역 작업 모두에서 잘 작동하는 '범용' 검색 모델로 가는 길을 제공한다.
  30. 250LLMs / NLP

    DVAO: Dynamic Variance-adaptive Advantage Optimization for Multi-reward Reinforcement Learning

    • 사용 편의성 측면에서, 알고리즘이 데이터에 기반하여 최적의 균형을 적응적으로 찾아내므로 실무자가 보상 가중치를 수동으로 조정할 필요를 줄여준다.
    • 안정성 측면에서, '크기 폭발'을 피하는 데 필요한 이론적 안정성을 추가하면서도 GRPO 프레임워크의 효율성을 보존한다.
    • 시너지 측면에서, 교차 목적 정규화를 통해 모델이 추론 정확도 같은 더 어렵고 중요한 목표를 희생하면서 단지 '가장 쉬운' 보상만 최적화하지 않도록 보장한다.

연구에서 제품 적용까지

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

보유기술 보기