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.
- 249Computer Vision
InstructSAM: Segment Any Instance with Any Instructions
- 디코딩 단계에서는 마지막으로 스코어 헤드가 쿼리가 유효한 대상 인스턴스에 해당하는지 판단하고, 분할 헤드가 이진 마스크를 생성한다.
- 단일 대상의 경우 지시에서 언급된 하나의 특정 객체를 식별한다.
- 다중 대상의 경우 복잡한 조건을 만족하는 모든 인스턴스를 찾는다(예: '모든 나무 의자').
- 248Computer Vision
LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding
- NTP를 위한 인과적 어텐션에서 표준 토큰은 자신보다 앞서 나온 토큰만 볼 수 있다.
- Fast 모드는 모든 것에 병렬 디코딩을 사용한다. 이는 가장 높은 처리량을 제공하지만, 매우 밀집하거나 복잡한 장면에서는 가끔 오류를 낼 수 있다.
- Slow 모드는 표준 순차 NTP로 되돌아간다. 더 견고하고 정밀하지만 훨씬 느리다.
- 247Computer Vision
LLaVA-OneVision-2: Towards Next-Generation Perceptual Intelligence
- 3단계(긴 비디오)에서는 모델이 약 800만 개 클립으로 구성되고 총 1,040억 토큰에 달하는 길이 계층화된 비디오 캡션 코퍼스에 노출된다. 이 비디오들은 30초에서 15분까지 다양하며, 모델이 긴 시간 동안 맥락을 유지하도록 학습시킨다.
- 4단계(코덱 및 공간)에서는 코덱 네이티브 학습이 도입된다. 10~15분 길이의 비디오는 가변 길이 GOP 파이프라인을 사용하여 재인코딩된다. 추가로, 모델은 실내 스캔에서 객체를 식별하거나 체화된 시뮬레이터에서 움직임을 추적하는 등 2D 및 3D 공간 추론에 초점을 맞춘 400만 개 샘플을 포함하는 LLaVA-OneVision-2-Spatial-4M 코퍼스로 학습된다.
- 코덱 스트림 접근법은 시간적 그라운딩과 시각 인식에서 현저히 더 우수했다. '이벤트를 담은' 순간에 토큰을 재할당함으로써, 균일 샘플링이 놓치는 움직임 역학을 포착한다.
- 246LLMs / NLP
Probing Minimalist Phase Structure in LLMs: What Universal Dependencies Cannot Represent
- UD tree distance가 조건 간 불변하도록 설계된 wh-movement 자극으로 UD 이상의 구조 탐지
- 13개 LLM(4개 패밀리) 중 12개에서 위상 수에 비례하는 거리 기울기(βfin > βinf > 0) 확인
- 위상 내 응집력 예측을 정확히 맞추는 13/13 부호 비대칭 발견 — UD 기반 probing으로는 불가능한 결과
- Canonical-layer reporting 도입: per-contrast peak 보고의 자유도 제거로 더 엄격한 기준 적용
- Activation patching으로 probe 결과의 인과적 활동성을 12/13 모델에서 확인
- 분포적 사전학습이 주석 기반 probing 한계를 넘어서는 형식 통사론 표현을 유도할 수 있음을 시사
- 245Machine Learning
Looped Diffusion Language Models
- Head는 순전파 시작 시 한 번 실행되는 일정 수의 레이어로 구성된다. 주된 역할은 초기 입력 임베딩을 처리하고 네트워크의 나머지 부분에 시작 표현을 제공하는 것이다.
- Tail은 Mid-block이 반복을 마친 후 한 번 실행되는 일정 수의 레이어로 구성된다. 이 레이어들은 표현을 최종화하고 이를 어휘 공간으로 투영하여 토큰 확률을 예측한다.
- 244Machine Learning
When Does LeJEPA Learn a World Model?
- SIGReg와 VICReg는 '화이트닝'(각 차원을 독립적이고 동일한 분산을 갖도록 만드는 것)을 강제하는데, 두 방법 모두 모든 차원에서 매우 높은 식별 가능성을 유지했다.
- InfoNCE는 널리 쓰이는 대조 학습 방법이다. 저차원에서는 효과적이지만, 고차원 공간에서는 하이퍼파라미터 튜닝에 매우 민감해져 정밀한 조정 없이는 구조 복원을 유지하지 못하는 경우가 많았다.
- 데이터 수집의 경우, 로봇이 자신의 환경에 대한 고품질 표현을 학습하기를 원한다면, 사전학습 중에 '꿈꾸는' 데이터는 편향되고 목표 지향적인 행동보다는 등방성 무작위 보행에 가까운 것이 이상적이다.
- 243Computer Vision
Gemini Embedding 2: A Native Multimodal Embedding Model from Gemini
- Gemini 기반 native multimodal 처리: 텍스트·이미지·비디오·오디오 및 interleaved 조합을 단일 임베딩 공간으로
- 최대 3,072차원 벡터, 대규모 multi-task multi-stage contrastive learning으로 훈련
- MSCOCO 62.9 R@1, Vatex 68.8 NDCG@10, MTEB 다국어 69.9, MTEB Code 84.0로 SOTA 달성
- 기존 late-fusion 모델(CLIP, SigLIP) 대비 deep modal fusion으로 교차 모달리티 시너지 확보
- 천문학·생물학·미술·요리 등 전문 영역에서 강력한 zero-shot 일반화 능력
- RAG, 추천, 검색 등 실용 downstream에 즉시 활용 가능한 out-of-the-box 성능
- 242AI / General
CUA-Gym: Scaling Verifiable Training Environments and Tasks for Computer-Use Agents
- Discriminator는 Generator의 구현 세부사항으로부터 격리되어 있어 오직 과제 t와 그 결과로 나타난 환경 상태만 본다. 그런 다음 초기 상태에 대해서는 0.0을, 골든 상태에 대해서는 1.0을 반환해야 하는 reward.py 스크립트를 작성한다.
- Qwen3.5-35B 모델(A3B)은 성공률을 54.5%에서 62.1%로 향상시켰다.
- Qwen3.5-397B 모델(A17B)은 72.6%의 성공률에 도달했으며, 이는 10퍼센트포인트가 넘는 증가다.
- 241AI / General
The MiniMax-M2 Series: Mini Activations Unleashing Max Real-World Intelligence
- 약 100억 활성 파라미터 MoE 아키텍처로 비용 효율성과 경쟁력 동시 달성
- 코드·검색·스프레드시트·슬라이드 생성 등 다양한 agent 도구 환경에 대한 대규모 합성 데이터 파이프라인 구축
- Interleaved thinking SFT: 추론과 행동이 교차하는 궤적 학습으로 복잡한 agent 루프 대응
- CISPO 정책 최적화 + agent RL: 환경과의 상호작용을 MDP로 모델링하여 에이전트 능력 강화
- 재무 분석·문서 관리·롤플레이 등 다양한 실용 도메인에서 강력한 성능 입증
- Reasoning data의 query-side/response-side/training-side 3축 스케일링 전략으로 OOD 일반화 향상
- 240LLMs / NLP
Language Models Need Sleep
- GSM-Infinite는 다수의 산술 연산을 포함한 긴 문제를 생성하는 수학 추론 벤치마크다. 모델이 수천 개 토큰에 걸쳐 중간 결과와 논리를 유지하는 능력을 시험한다.
- 지연 시간 유지: 무거운 연산을 오프라인 단계로 옮김으로써 모델은 대화형 사용 중에도 빠른 속도를 유지한다.
- 깊은 추론 활성화: 물리적 레이어 수가 통상 허용하는 수준보다 논리적으로 더 '깊은' 문제를 모델이 풀 수 있게 한다.
- 239AI / General
MobileGym: A Verifiable and Highly Parallel Simulation Platform for Mobile GUI Agent Research
- 실제 휴대폰에서 실행한 59개 작업의 부분 집합에서, 학습된 모델의 통과율은 32.2%에서 72.9%로 급등했다.
- 분석 결과 모델은 시뮬레이션에서 실제 환경으로 옮겨갈 때 성능 향상분의 95.1%를 유지했다.
- 학습의 민주화: 적은 RAM만 차지하면서 표준 서버에서 구동되므로, 대규모 컴퓨팅 클러스터가 없는 연구 그룹도 온라인 RL을 수행할 수 있다.
- 238Machine Learning
Post-Training is About States, Not Tokens: A State Distribution View of SFT, RL, and On-Policy Distillation
- SFT는 본질적으로 파괴적이지는 않지만, off-policy 특성 때문에 높은 압력 하에서는 위험해진다. 개발자는 데이터셋 분포와 모델의 자연스러운 분포 간 정렬을 모니터링해야 한다.
- On-policy 학습은 안정화 장치다. RL이든 증류든, 학습자 자신의 분포에서 샘플링하면 업데이트가 적절성을 갖도록 보장하고 off-policy 방법보다 모델 본래의 능력을 더 잘 보존한다.
- 증류는 단순 복제 이상이다. 상태를 신호로부터 분리함으로써, on-policy 증류는 지도가 충분히 조밀하다면(단일 토큰 로짓이 아니라 연속을 사용한다면) 학생이 교사의 한계를 뛰어넘을 수 있게 한다.
- 237Robotics
Any2Any: Efficient Cross-Embodiment Transfer for Humanoid Whole-Body Tracking
- 희소 산란 행렬은 기본적인 대응 관계를 처리하여 목표 관절을 소스 배치의 대응 관절에 매핑하고, 여분의 관절은 버리거나 누락된 관절은 0으로 채운다.
- 병렬 관절 결합 행렬은 일부 로봇이 사용하는 비직렬 기구(예: 평행사변형 구동 발목)를 처리하여, 구동 관절 각도와 실제 기구학적 각도 사이의 차이를 보정한다.
- 236Computer Vision
WBench: A Comprehensive Multi-turn Benchmark for Interactive Video World Model Evaluation
- 5개 평가 차원(비디오 품질·설정 준수·상호작용 준수·일관성·물리 준수)으로 구성된 종합 평가 체계
- 289 케이스·1,058 상호작용 턴, 내비게이션/행동/이벤트 편집/시점 전환 4가지 상호작용 유형 포괄
- 내비게이션에서 text, 6-DoF pose, discrete action을 통합하여 다양한 입력 인터페이스 지원
- 22개 자동 서브 지표 + 전문 비전 모델·LMM 결합 평가, 인간 판단과의 정렬 검증
- 20개 SOTA 모델 평가 결과 단일 모델이 모든 차원을 domination하지 못함을 입증
- 모델별 강점·약점·미해결 과제에 대한 상세 진단 인사이트 제공
- 235Robotics
HumanEgo: Zero-Shot Robot Learning from Minutes of Human Egocentric Videos
- 새로운 시점은 서로 다른 카메라 각도와 높이를 가리킨다.
- 시각적 방해 요소는 학습 중에는 없었던 추가 객체가 테이블 위에 놓인 경우다.
- 새로운 객체는 인간 영상에서 본 것과 다른 종류의 빵이나 컵을 사용하는 경우다.
- 234Robotics
Point Tracking Improves World Action Models
- 레지스터 토큰 r은 전역 정보 처리를 돕는 학습 가능한 토큰이다.
- 잠재 표현만 사용하는 모델은 장기 동작에 필요한 정밀도가 부족하여, 시각적 단서가 미묘할 때 실패했다.
- 트랙만 사용하는 모델은 어떤 객체와 상호작용해야 하는지 식별하는 데 필요한 의미적 근거가 부족했다.
- 233Computer Vision
Toward Native Multimodal Modeling: A Roadmap
- NMM 모델을 T2M(생성), M2T(이해), M2M(대칭) 3축으로 체계적 분류
- 완전 이산화 통합(digital token) vs 모달리티 특성 보존(연속 특징 공간) 설계 철학 비교
- Token explosion 해결을 위한 극단적 VAE 압축·동적 sparse attention pruning 기술 동향 정리
- 비디오 생성에서 물리 법칙 이해(강체 역학·중력·충돌)를 위한 explicit rule vs implicit emergence 접근 분석
- 오디오-비주얼 정밀 동기화를 위한 unified timeline anchoring과 deep architectural coupling 방안 제시
- Comprehension-Generation 딜레마 해소를 위한 physical decoupling·encoder-free modeling 등 데이터 및 평가 전략 수록
- 232Machine Learning
Strong Teacher Not Needed? On Distillation in LLM Pretraining
- 다운스트림 정확도는 MMLU나 GSM8K 같은 벤치마크에서의 성능이다.
- 완벽한 교사를 기다리지 말아야 한다. 더 큰 새 모델을 학습시키는 경우, 현재 보유한 최고 모델을 교사로 사용하는 것이 유익하며, 그 교사가 새 모델의 목표보다 더 작거나 덜 학습되었더라도 마찬가지다.
- 호환성을 우선해야 한다. 학생과 구조적으로 유사한 적당히 강한 교사가 거대한 최신 모델보다 더 효과적일 수 있다.
- 231Computer Vision
TriSplat: Simulation-Ready Feed-Forward 3D Scene Reconstruction
- Gaussian 대신 oriented triangle을 primitive로 사용하여 렌더링 결과물이 곧 mesh가 되는 구조 제안
- 예측된 point map에서 법선을 유도하고 image-conditioned U-Net으로 정제하여 삼각형 방향을 기하학에 고정
- Mono-normal bootstrapping + validity-aware masking으로 초기 학습 안정화, opacity/blur scheduling로 점진적 표면 선명화
- RealEstate10K·DL3DV에서 Gaussian feed-forward baseline 대비 우수한 geometry fidelity 및 경쟁적 NVS 품질 달성
- Zero-shot ScanNet 평가로 cross-dataset 일반화 능력 확인
- TSDF fusion 등 후처리 없이 physics engine·collision detector·표준 렌더링 파이프라인에 직접 활용 가능
- 230Machine Learning
Training-Free Looped Transformers
- 일관된 성능 향상: 이 방법은 지식 집약적 벤치마크에서 일관된 개선을 제공했다. 예를 들어 Qwen3-4B-Instruct는 MMLU-Pro에서 2.64 퍼센트포인트가 상승했다.
- 반복 횟수 K에 대한 안정성: 반복을 추가할수록 붕괴하는 단순 루핑과 달리, 감쇠 RK 방식은 K가 증가해도 안정적으로 유지되거나 계속 개선된다(그림 3 참조).
- 연산 오버헤드: 추가 비용은 추가로 통과하는 레이어 수에 비례한다. 다만 작은 윈도(예: 4개 레이어)만 루핑하므로, 32레이어 모델에서 전체 디코드 루프를 돌릴 때의 총 실시간 오버헤드는 흔히 약 20% 수준에 그친다. 저자들은 또한 초기 프롬프트 처리 단계에서만 루핑하는 'bypass' 모드를 도입했는데, 이는 토큰 생성 중 오버헤드가 거의 0에 가깝다.
- 229Computer Vision
Geo-Align: Video Generation Alignment via Metric Geometry Reward
- 미터 모호성: 표준 학습 손실은 픽셀이나 추상적 특징을 비교한다. 이들은 미터나 도 같은 물리적 단위를 이해하지 못한다. 모델에게 카메라를 2미터 앞으로 이동하라고 지시하더라도, 손실 함수는 결과 픽셀이 참조와 달라 보일 때만 모델에 페널티를 부과한다. 이는 종종 스케일 드리프트로 이어지는데, 생성된 영상의 카메라가 일관되지 않은 속도로 움직이거나 장면의 깊이를 고려할 때 물리적으로 불가능한 경로를 따르게 된다.
- 미터 인식: 3D 평가자를 사용함으로써 모델은 카메라 움직임을 물리적 단위로 이해하도록 학습하여, 영상 합성에서 오랫동안 문제였던 스케일 드리프트를 해결한다.
- 확장 가능한 학습: 이 RL 프레임워크는 구하기 어려운 동기화된 다시점 영상의 필요성을 없애, 모델이 다양한 실세계 분포로부터 학습할 수 있게 한다.
- 228Machine Learning
LLMs as Noisy Channels: A Shannon Perspective on Model Capacity and Scaling Laws
- 제거 불가능한 노이즈(e): Chinchilla류 법칙의 상수항에 해당하며, 스케일링과 무관하게 제거할 수 없는 근본적 구조적 한계 또는 시스템 엔트로피를 나타낸다.
- 전략적 스케일링: U자형 곡선의 존재는 주어진 노이즈 수준에서 N과 D를 스케일링하는 최적의 스위트 스폿이 있음을 시사한다. 무차별적 스케일링이 항상 답은 아니며, 개발자는 자신의 학습 설정의 신호 대 잡음비를 고려해야 한다.
- 노이즈 인식: 지수 분석 결과 데이터 노이즈가 종종 학습 신호보다 빠르게 증가하는 것으로(δ가 β보다 큼) 드러났다. 이는 데이터 큐레이션과 노이즈 완화의 결정적 중요성을 부각한다. 학습 데이터에 노이즈가 많다면 단순히 더 많이 추가하는 것은 결국 역효과를 낳는다.
- 227Research
StepAudio 2.5 Technical Report
- ASR 정확도: 모델은 중국어 벤치마크에서 평균 글자 오류율(CER) 2.97%를, 영어 벤치마크에서 단어 오류율(WER) 3.68%를 달성했다. 32K 컨텍스트 윈도우 덕분에 장형 오디오에서의 성능이 특히 강력하다.
- 디코딩 효율: MTP-5 메커니즘 덕분에 모델은 실시간 계수(RTF) 0.0053을 달성하여 여러 특화 ASR 시스템보다 빠르다. MTP 토큰의 수용률은 약 0.9의 일관된 감쇠 계수를 보여, 다섯 개의 선행 분기를 선택한 것이 타당함을 입증했다.
- TTS 선호도: 아레나 방식 평가에서 StepAudio 2.5 TTS는 ElevenLabs와 Gemini Flash TTS 같은 기존 경쟁자들을 상대로 전체 승률 67.6%를 달성했다.
- 226Computer Vision
GenRecon: Bridging Generative Priors for Multi-View 3D Scene Reconstruction
- 이러한 청크별 예측은 겹치는 영역의 값을 평균하여 전역 격자로 다시 병합된다.
- 확장성: 청크 기반 생성은 이전에는 단일 객체에만 제한되었던 생성 모델을 크고 여러 방으로 이루어진 장면에 적용할 수 있게 한다.
- 기하 제어: 공간에 기반한 조건화는 생성 모델의 환각이 카메라 자세와 입력 이미지로 정의된 물리적 실재에 고정되도록 보장한다.
- 225AI / General
SkillOpt: Executive Strategy for Self-Evolving Agent Skills
- 교차 모델 전이: 대형 모델(예: GPT-4o)에 최적화된 스킬을 더 작은 모델(예: GPT-4o-mini)에 성공적으로 적용할 수 있다. 작은 모델은 종종 성능 향상의 상당 부분을 포착하는데, 이는 스킬이 작은 모델의 가중치에 결여된 일반적 절차 지식을 제공함을 시사한다.
- 교차 하네스 전이: 한 실행 환경(예: 기본 채팅 인터페이스)에서 학습된 스킬은 더 복잡한 에이전트 하네스(예: 코드 실행 샌드박스)로 옮겨졌을 때도 종종 유효하게 유지된다. 이는 학습된 규칙이 단지 학습 환경의 특정 형식적 특성을 이용하는 것이 아니라 과제 수준의 논리를 포착하고 있음을 나타낸다.
- 교차 벤치마크 전이: 한 데이터셋(예: OlympiadBench)에서 학습한 절차가 관련은 있으나 별개인 데이터셋(예: Omni-MATH)에서도 성능을 향상시키는 것으로 나타났으며, 이는 SkillOpt가 단순히 특정 학습 예제 집합에 과적합되는 것이 아님을 추가로 입증한다.
- 224LLMs / NLP
Self-Policy Distillation via Capability-Selective Subspace Projection
- 독립성: 외부 교사나 보상 모델이 필요하지 않다.
- 일반화 가능성: 이질적인 도메인 전반에서 작동하며 과제 간에 전이된다.
- 선택성: 표면적 패턴이 아니라 그 기저의 능력 신호를 표적으로 삼는다.
- 223Computer Vision
PiD: Fast and High-Resolution Latent Decoding with Pixel Diffusion
- 픽셀 확산 사전: rectified-flow 목표를 사용하여 고해상도 합성에 최적화된 1.3B 파라미터 트랜스포머다.
- 잠재 어댑터: 입력 잠재 변수 z를 처리하여 픽셀 트랜스포머의 공간 격자에 정렬하는 합성곱 네트워크다. 이 어댑터는 잠재 변수의 전역 구조와 의미 정보가 보존되도록 보장한다.
- 시그마 인식 게이팅: 모델이 잠재 조건에 의존하는 정도와 자체 생성 사전에 의존하는 정도를 조절하는 핵심 혁신이다. 잠재 변수의 영향은 게이팅 함수를 사용해 그 노이즈 수준 σ에 따라 조절된다.
- 222Robotics
Spatial Memory for Out-of-Vision Manipulation in Vision-Language-Action
- 기하 추정: 기하 사전 네트워크(VGGT)가 카메라 자세와 대략적인 장면 기하를 추정하여 전역 3D 좌표계를 확립한다.
- 탐색 노력 감소: 목표 물체를 찾는 데 필요한 시간이 약 40~59% 감소했다.
- 결단력 있는 움직임: 로봇은 시점 보정(헤드 카메라가 목표를 포착한 뒤 방향을 재조정해야 하는 경우)을 더 적게 보였는데, 이는 공간 메모리가 로봇이 파지를 결단하기에 충분히 신뢰할 만한 추정을 제공했음을 시사한다.
- 221Robotics
Action with Visual Primitives
- [철회 논문] arXiv 최신 버전 v4는 Weilong Guo가 이 논문을 철회했다고 명시합니다.
- 공식 버전 이력상 철회일은 2026년 9월 20일이며, 공개 사유는 출판 전 추가 실험 개선입니다.
- 공식 사유: We wish to complete further experimental improvements before publishing this work.
- 기존 방법과 성능 수치는 철회 전 주장이므로 현재 유효한 연구 성과나 도입 추천의 근거로 제시하지 않습니다.
- 공식 철회 안내와 버전 이력: https://arxiv.org/abs/2605.22183 .
- 220AI / General
Forecasting Scientific Progress with Artificial Intelligence
- 지식 격차: 모델이 컷오프 날짜 이전에 존재한 관련 정보에 접근할 수 있을 때 관찰되는 성능 향상이다. 이는 모델의 실패가 단순히 이미 알려진 사실을 몰라서 발생한 정도를 측정한다.
- 예측 격차: 모델이 컷오프 이전 지식을 완전히 갖추었더라도 보이는 성능과 실제 결과 사이에 남아 있는 차이다. 이는 미지의 것을 예측하는 본질적 난이도를 나타낸다.
- 과신: 모델들은 경험적 정확도가 낮을 때조차 자신의 예측에 일관되게 높은 확신을 보고했다. 이러한 보정 오류는 인간 연구자가 AI의 예측을 언제 신뢰해야 할지 판단하기 어렵게 만든다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기