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.
- 219LLMs / NLP
Tokenisation via Convex Relaxations
- 정수해 전용(Int): 선형 계획법이 거의 확신한 토큰, 즉 값이 0.999 이상인 토큰만 선택한다. 이 방식은 종종 허용된 예산보다 작은 어휘를 생성한다.
- 입증된 최적성 한계: 이제 압축을 위해 토큰화에서 짜낼 수 있는 여력이 얼마나 남았는지 알게 되었다. BPE는 이미 대규모에서 한계의 1% 이내에 도달해 있으므로, 연구자들은 압축보다는 언어 형태론이나 견고성 같은 다른 속성에 더 집중할 수 있다.
- 비탐욕적 대안: ConvexTok은 전체 데이터셋을 한 번에 반영하여 어휘를 구축하는 방법을 제공하며, 이는 어휘 예산을 더 잘 활용하게 한다.
- 218AI / General
Adapting the Interface, Not the Model: Runtime Harness Adaptation for Deterministic LLM Agents
- 행동 실현 실패(33.3%): 모델이 올바른 의도를 가지고 있으나 이를 실행 가능한 형식으로 표현하지 못하는 경우다. 인자 누락, 잘못된 구분자, 또는 구조화된 도구 호출 대신 자유 형식 텍스트를 생성하는 경우가 이에 해당한다.
- 환경 계약 불일치(23.2%): 모델이 구문적으로는 유효한 행동을 생성하지만 존재하지 않는 데이터베이스 컬럼에 접근하려 하거나 유효하지 않은 항공편 코드를 사용하는 등 도구나 API의 구체적 규칙을 위반하는 경우다.
- 궤적 퇴화(33.6%): 에이전트가 동일한 무효 행동을 반복하거나, 진전 없이 정체되거나, 피드백을 받았음에도 오류에서 회복하지 못하는 등 퇴화된 상태에 빠지는 경우다.
- 217AI / General
Advancing Mathematics Research with AI-Driven Formal Proof Search
- 보조정리 환각: 에이전트가 실제로는 틀린 보조정리를 문헌의 잘 알려진 결과라고 주장하는 경우가 가끔 있었다. 에이전트가 그 특정 보조정리를 형식적으로 증명하려 시도하지 않았기 때문에, 오류는 후반 단계에 이르러서야 발견되었다.
- 필터로서의 형식화: 형식 증명 보조기는 AI가 생성한 수학을 연구자에게 유용하게 만드는 기준 진실을 제공한다. 이는 인간이 기본적인 논리적 오류를 점검할 필요를 없애 준다.
- 전략 발견을 위한 AI: AI는 고수준 계획을 제안하거나 인간이 간과할 수 있는 후보 반례를 식별함으로써 수학자를 도울 수 있다.
- 216Bioinformatics / Genomics
Scalable, Fast and Accurate Differential Gene Expression Testing from Millions of Cells of Multiple Patients
- 핵심 문제: 단일 세포 RNA-seq 세포들은 통계적으로 의존적이어서, 독립적인 벌크 샘플을 위해 설계된 전통적 차등 발현 검정의 가정을 깨뜨린다.
- 베이지안 프레임워크: 환자 수준에서 독립성 구조를 회복하여, 개체 간 변이를 진정한 전사적 차이로부터 깔끔하게 분리한다.
- 다중 GPU 변분 추론: 임상 코호트, 아틀라스 프로젝트, 약물 반응 스크리닝의 수천 개 샘플에 걸쳐 1,000만 개가 넘는 세포로의 계산적 확장성을 가능하게 한다.
- 실용적 영향: 기존 방법의 계산 병목이나 수학적 한계 없이 대규모 다중 환자 데이터셋을 마침내 통합할 수 있는 단일 세포 차등 발현 분석을 가능하게 한다.
- 215AI Safety / Trust
Hallucinations Undermine Trust; Metacognition is a Way Forward
- 핵심 논지: 대부분의 사실성 향상은 그 경계에 대한 인식, 즉 아는 것과 모르는 것을 구분하는 것을 개선하기보다 지식의 경계를 확장하는 데서 비롯된다.
- 변별 격차: 모델은 진실과 오류를 완벽하게 분리하는 능력을 근본적으로 결여할 수 있으며, 이는 환각 제거와 유용성 보존 사이에 내재된 상충 관계를 만든다.
- 충실한 불확실성: 언어적 불확실성, 즉 모델이 말하는 것을 본질적 불확실성, 즉 모델이 믿는 것과 일치시킬 것을 제안하며, 답하거나 유보하거나를 넘어선 제3의 길을 제시한다.
- 에이전트를 위한 메타인지: 에이전트 시스템에서 불확실성 인식은 언제 탐색할지, 무엇을 신뢰할지, 검색된 정보를 어떻게 가중할지를 관장하는 제어 계층이 된다.
- 실증적 증거: 진실성 탐침의 빈약한 일반화, 확신에 찬 환각, 그리고 정렬 기법의 실패는 모두 변별 격차의 존재를 뒷받침한다.
- 214AI / General
MOSS: Self-Evolution through Source-Level Rewriting in Autonomous Agent Systems
- 비효율적인 배칭 패턴을 차단하기 위해 사전 호출 훅에 거부 게이트를 구현한다.
- 근본 원인 해결: 하네스를 대상으로 삼음으로써, MOSS는 텍스트 기반 진화가 건드릴 수 없는 근본적인 아키텍처 결함을 수정할 수 있다.
- 프로덕션 유용성 확보: 실패 배칭, 시험 검증, 안전한 컨테이너 교체의 통합은 자기 재작성이라는 개념을 실제 응용에서 실현 가능하게 만든다.
- 213Machine Learning
Memory-R2: Fair Credit Assignment for Long-Horizon Memory-Augmented LLM Agents
- 데이터 효율성: 놀랍게도 이러한 성능 향상은 단 두 개의 전체 대화 궤적만으로 훈련하여 달성되었으며, 이는 RL 패러다임의 효과성을 입증한다.
- 분포 외(OOD) 벤치마크: LongMemEval 및 MSC-Self-Instruct에서 높은 성능을 보인다.
- 다양한 모델 규모: 3B 모델에서 관찰된 훈련 개선이 7B 모델로도 전이되었다.
- 212Computer Vision
GenEvolve: Self-Evolving Image Generation Agents via Tool-Orchestrated Visual Experience Distillation
- 실패 메모리는 실패 회피에 관한 교훈이다.
- 프롬프트 풀은 2만 개의 요청을 사실과 사건 같은 지식 기반(Knowledge-Anchored)과 공간 구성, 텍스트 레이아웃 같은 품질 기반(Quality-Anchored)으로 나눈다.
- 교사 궤적: 강력한 모델을 사용해 초기 성공 궤적을 생성한 뒤, 정확성을 위해 VLM 심판이 이를 검수한다.
- 211AI / General
The Log is the Agent: Event-Sourced Reactive Graphs for Auditable, Forkable Agentic Systems
- 신서사이저는 주장과 증거에 반응하여 최종 메모를 작성한다.
- 감사 가능성: 모든 상태 변경에는 명확한 인과적 부모와 기록된 모델 및 도구 상호작용이 존재한다.
- 디버깅 용이성: 개발자는 임의의 시점으로 이동하여 그래프를 검사하고, 수정안을 테스트하기 위해 실행을 분기할 수 있다.
- 210AI / General
Gated DeltaNet-2: Decoupling Erase and Write in Linear Attention
- 다중 키 검색: 유사한 연관 관계가 여러 개 존재하는 상황에서 Gated DeltaNet-2는 상당한 우위를 보였다. 이는 분리된 게이트가 고정 크기 상태 내에서 경쟁하는 정보 조각들을 모델이 더 잘 구분하도록 해준다는 점을 확인시켜 준다.
- 간섭 제어: 특정 채널을 선택적으로 삭제함으로써, 모델은 새로운 정보가 여전히 관련성이 있을 수 있는 기존 저장 데이터를 덮어쓰거나 흐리게 만드는 것을 방지한다.
- SWA는 작은 고정 윈도우, 예를 들어 최근 2,000개 토큰 내에서 국소적이고 고세분성의 상호작용을 처리한다.
- 209Machine Learning
TRINITY: An Evolved LLM Coordinator
- 핵심 아이디어는 컴팩트한 코디네이터(0.6B LLM과 1만 파라미터 경량 헤드)가 매 턴마다 Thinker, Worker, Verifier 역할을 할당해 여러 LLM에 작업을 위임하는 것이다.
- 분리 가능한 공분산 행렬 적응 진화 전략(CMA-ES)으로 최적화되어, 고차원성과 엄격한 예산 제약 하에서 RL, 모방 학습, 무작위 탐색을 능가한다.
- LiveCodeBench 86.2%를 포함한 표준 벤치마크에서 SOTA를 달성하며, 코딩, 수학, 추론, 도메인 지식 전반에 걸쳐 개별 모델 및 기존 멀티 에이전트 기법을 일관되게 능가한다.
- 코디네이터의 은닉 상태 표현이 풍부한 맥락화를 제공하며, 최적화 지형의 블록-엡실론 분리 가능성이 효율적인 진화 탐색을 가능하게 한다.
- 과제별 튜닝 없이도 분포 외 과제로 견고하게 일반화된다.
- 208Machine Learning
You Only Need Minimal RLVR Training: Extrapolating LLMs via Rank-1 Trajectories
- 이 논문은 RLVR 가중치 궤적이 극도로 저랭크이며 매우 예측 가능하다는 점을 입증한다.
- 207Computer Vision
ESI-Bench: Towards Embodied Spatial Intelligence that Closes the Perception-Action Loop
- 방향성 편향: AI 모델은 종종 확증 편향을 보이는데, 새로운 정보를 탐색하기보다 자신의 초기 인상을 확인하는 행동을 반복적으로 선택한다. 그 초기 인상은 틀렸을 수도 있다. 또한 증거가 충분한지 여부와 무관하게 과정 초반에 높은 확신을 가지고 답을 확정해 버리는 경우가 많다.
- 지능적 행동 계획: 공간적 불확실성을 해소하기 위해 특화된 궤적을 계획할 수 있는 에이전트를 개발한다.
- 불확실성 관리 및 보정: 자신에게 충분한 정보가 없을 때를 이해하고 그에 따라 확신도를 조정할 수 있는 모델을 만든다.
- 206Machine Learning
Vector Policy Optimization: Training for Diversity Improves Test-Time Search
- Maze Navigation은 에이전트가 위험 요소인 용암을 피하면서 금과 다이아몬드 같은 아이템을 모아야 하는 합성 과제다. 목표들이 의도적으로 상충하도록 설계되어 있어서, 예를 들어 금이 종종 용암 근처에 있다. 파레토 프론티어 커버리지를 검증하기에 완벽한 시험대가 된다.
- MuSiQue는 다중 홉 QA 과제로, 최종 답변의 정확도와 중간 추론 단계에 대한 인용의 정확성 모두에 기반해 보상이 부여되는 질의응답 과제다.
- ToolRL은 모델이 구조적 제약을 충족하면서 동시에 높은 속성 수준 정확도를 달성해야 하는 함수 호출 벤치마크다.
- 205Computer Vision
WorldKV: Efficient World Memory with World Retrieval and Compression
- 토큰 가지치기: 유사도 점수가 높은 토큰은 중복으로 간주되어 폐기된다. 가장 변별력 있는 토큰(유사도 기준 하위 P%)만 유지된다.
- LPIPS: 지각적 유사도를 측정한다(낮을수록 좋다).
- PSNR 및 SSIM: 신호 및 구조적 유사도를 측정한다(높을수록 좋다).
- 204Computer Vision
MotiMotion: Motion-Controlled Video Generation with Visual Reasoning
- 의미적 일관성: 비디오가 사용자의 상위 수준 의도와 얼마나 잘 일치하는지를 나타낸다.
- 접근성: 프레임 단위 수동 애니메이션이나 정밀한 기술 사양의 필요성을 줄여 고급 비디오 제작을 더 폭넓은 사용자가 이용할 수 있게 한다.
- 교육적 벤치마킹: MotiBench는 연구 커뮤니티가 단순한 시각적 충실도가 아니라 비디오 생성의 논리적·물리적 측면에 집중할 수 있도록 하는 전문 도구를 제공한다.
- 203Machine Learning
Quantifying Hyperparameter Transfer and the Importance of Embedding Layer Learning Rate
- LayerNorm LR: SP는 Θ(1/n)을 사용하고, μP는 Θ(1)을 사용한다.
- 어텐션 스케일링: SP는 1/d를 사용하고, μP는 1/d를 사용한다.
- 고정 스텝: 너비와 무관하게 일정한 반복 횟수로 학습한다.
- 202Computer Vision
Sensor2Sensor: Cross-Embodiment Sensor Conversion for Autonomous Driving
- 자율주행 차량(AV) 차량군이 수집한 독점 데이터는 고충실도이긴 하지만 규모, 센서 구성의 다양성, 그리고 지리적·롱테일 행동 커버리지 측면에서 제한적이다.
- 201Computer Vision
Draw2Think: Harnessing Geometry Reasoning through Constraint Engine Interaction
- 작도 충실도: VLM이 의도한 구성이 문제의 요구사항과 일치하는지를 측정하는 모델 수준 속성이다.
- 명시적 판독 채널: 관찰 결과 시스템이 도출한 정답의 74-91%가 엔진이 명시적으로 반환한 값을 최소 하나 이상 포함했다. 이는 VLM이 내부 사전지식에만 의존하지 않고 엔진을 진실의 원천으로 능동적으로 사용하고 있음을 확인해준다.
- 수정 및 재계획 가능성: 오류 메시지를 받고 객체 삭제 도구를 사용할 수 있어 모델이 경로를 교정할 수 있다. 작도 경로가 모순이나 무효 상태로 이어지면, 모델은 마치 컴퍼스와 자를 사용하는 인간 수학자처럼 되돌아가 대안 전략을 시도할 수 있다.
- 200Computer Vision
Improved Baselines with Representation Autoencoders
- 이 논문은 여러 설계 선택을 체계적으로 조사해 RAE를 단순화하고 개선하는 세 가지 통찰을 발견한다.
- 첫째, 표현을 최종 인코더 층 하나만이 아니라 마지막 k개 인코더 층의 합으로 정의하는 일반화된 정식화를 연구한다.
- 199Machine Learning
Equilibrium Reasoners: Learning Attractors Enables Scalable Reasoning
- Maze-Unique: 저자들은 작업의 모호성이 어트랙터 학습에 "독"이라는 사실을 발견했다. 여러 해가 존재하는 데이터셋(미로의 서로 다른 최단 경로 등)에서는 모델이 안정적인 어트랙터를 형성하기 어렵다. 경로가 유일하도록 미로 작업의 변형 버전을 만들어, EqR이 복잡한 30x30 미로를 높은 신뢰도로 풀 수 있을 만큼 확장됨을 입증했다.
- 규모 일반화: 테스트 시점에 단순히 반복 횟수를 늘림으로써 학습 중에 본 복잡도를 훨씬 뛰어넘어 일반화한다.
- 자가 진단: 고정점 잔차는 외부 검증기를 필요로 하지 않는 내장형 신뢰도 점수를 제공한다.
- 198Computer Vision
Vision-OPD: Learning to See Fine Details for Multimodal LLMs via On-Policy Self-Distillation
- 질문 생성: 각 작은 영역에 대해 MLLM은 해당 영역 내부의 디테일을 봐야만 답할 수 있는 질문 q를 생성한다.
- 전체 이미지로의 그라운딩: 영역의 바운딩 박스를 전체 이미지 I 위에 겹쳐 학생 입력 x를 만든다. 학생이 어디에 집중해야 하는지 알 수 있도록 질문에 공간적 지시문(예: "빨간 박스를 보라")을 추가한다.
- 크롭 생성: 해당 영역을 잘라내어 크기를 조정(흔히 2배)해 교사 입력 x'를 만든다.
- 197Computer Vision
Cambrian-P: Pose-Grounded Video Understanding
- 주석: 기성 포즈 추정기인 ViPE를 사용해 나머지 클립에 대한 외부·내부 카메라 파라미터를 생성한다.
- 모델 크기: LLM 크기가 0.5B에서 7B 파라미터로 커질수록 VQA 성능과 포즈 정확도가 일관되게 향상되었다.
- 데이터 크기: 학습 데이터의 양을 늘릴수록 포즈 그라운딩 모델과 베이스라인 간의 성능 격차가 벌어졌다.
- 196Computer Vision
Lance: Unified Multimodal Modeling by Multi-Task Synergy
- 이해를 돕는 생성: 반대로 비디오 편집 같은 생성 작업으로 학습하면 모델이 시간적 동역학과 공간적 관계를 더 깊이 이해하게 되며, 이는 비디오 이해 벤치마크에서의 성능을 향상시킨다.
- 비디오 생성: VBench 벤치마크에서 Lance는 총점 85.11을 기록해 발표 시점 기준 통합 모델 중 최고였다. 객체 그라운딩과 시간적 일관성에서 강력한 성능을 보였다.
- 멀티모달 이해: 시간적 인지와 비디오 추론을 평가하는 MVBench에서 Lance는 62.0점을 기록했다. 이는 차순위 통합 모델인 Show-o2(7B) 대비 11.3% 향상된 수치다.
- 195LLMs / NLP
HRM-Text: Efficient Pretraining Beyond Scaling
- 이와 대조적으로 생물학적 시스템은 전두두정 루프의 기능적 조직화처럼 다중 시간척도 처리를 통해 매우 표본 효율적인 학습을 보여준다.
- 194Machine Learning
CODA: Rewriting Transformer Blocks as GEMM-Epilogue Programs
- 상태 유지 변환: 교차 엔트로피 손실의 온라인 log-sum-exp 같은 연산을 위해 로컬 상태를 유지한다.
- 효율성: 데이터 이동으로 손실되는 GPU 시간의 상당 부분을 회복한다.
- 프로그래밍 용이성: 구조화된 DSL을 제공해 고성능 커널 작성을 간소화한다.
- 193LLMs / NLP
Code as Agent Harness
- 의미론적 검증의 경우, 코드는 테스트를 통해 구문과 기본적 정확성을 검증하기는 쉽지만, 그 코드가 사용자의 상위 수준 의도를 실제로 충족하는지 검증하기는 여전히 어렵다.
- 트랜잭션형 상태 관리는 멀티 에이전트 시스템이 '병합 충돌'이나 일관성 없는 상태를 초래하지 않으면서 공유 코드베이스에 대한 복잡하고 동시적인 편집을 처리할 수 있도록 보장한다.
- 인간의 감독은 자동화된 루프를 깨뜨리지 않으면서 인간이 에이전트의 내부 코드 산출물을 점검하고 개입할 수 있는 인터페이스를 개발하는 것이다.
- 192Machine Learning
A Bitter Lesson for Data Filtering
- 고정된 에폭 수로, 4 에폭 동안 학습한다.
- 파이프라인을 단순화한다. 복잡한 분류기와 휴리스틱 규칙에 수천 GPU 시간과 인간 엔지니어링 노력을 들이는 대신, 가공되지 않은 파싱된 웹 데이터에 학습 시간을 단순히 늘리는 것이 더 나은 수익을 가져올 수 있다.
- '쓰레기'에도 가치가 있다. 뒤섞인 데이터와 무작위 데이터에 대한 견고함은, 모델이 충분히 크다면 목표 분포와 관련된 통계적 신호를 일부라도 담고 있는 거의 모든 데이터가 유용할 수 있음을 시사한다.
- 191AI / General
Probabilistic Tiny Recursive Model
- 강력하긴 하지만, 이들의 결정론적 재귀는 탈출 메커니즘 없이 차선의 해에 수렴할 수 있다.
- 흔한 우회책은 테스트 시점의 과제별 입력 교란과 투표를 통한 답 집계를 결합하는 데 의존한다.
- 190AI / General
Generative Recursive Reasoning
- 다수결 투표는 샘플들 가운데 가장 흔한 답을 선택한다.
- 확률성은 잠재 상태의 확률성이 구조화된 추론을 위한 강력한 도구임을 입증하여, 모델이 차선의 결정론적 궤적에 갇히는 것을 방지함으로써 결정론을 극복한다.
- 폭 기반 스케일링은 단순히 시퀀스 길이나 모델 크기를 늘리는 대신 병렬 샘플 수, 즉 폭을 늘려 추론 성능을 확장하는 방법을 도입한다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기