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.
- 1373AI / Agents
BE-CTDE: Blockchain-Enabled Multi-Agent Reinforcement Learning with Anomaly Detection and Token Economics
- 연구진은 기록만 남기던 블록체인을, 행동 증거가 학습 영향력을 바꾸는 능동 훈련 관리 계층으로 바꾸는 BE-CTDE 를 제안했다.
- 행동 검증기가 실행 궤적과 정책 추천을 비교해 깃발을 만들고, 깃발이 슬래싱과 소각, 보상, 보상금을 함께 쓰는 토큰 계정을 움직인다.
- 완벽한 탐지가 필요 없음을 보였고, 조건부 탐지 확률이 1/3 을 넘으면 악성 에이전트가 유한한 기대 시간 안에 훈련에서 제외된다.
- 경로 찾기 실험에서 공격 상황 성공률이 최고 수준 기준 SCRIMP 보다 크게 높았고, 적이 다수일 때도 그랬다.
- 충돌률은 경제 결과 없는 탐지보다 최대 35%, 일반 스테이크 슬래싱보다 최대 43% 낮았고, 에이전트 8개 설정에서는 모든 장애물 밀도에서 100% 성공률을 기록했다.
- 1372Reasoning / Efficiency
Cache Engineering for Agents
- 저자들은 긴 궤적에서 KV 캐시 읽기가 전체 API 비용의 82.4%를 차지한다고 측정했다.
- 캐시 엔지니어링은 drop으로 선택한 캐시를 이후 어텐션에서 빼고, repos로 남은 키의 위치 인코딩을 조정한다.
- 기본 정책은 가장 최근 12개 도구 응답의 KV 상태만 남기는 도구 응답 rolling-drop이다.
- 이 정책은 임계값 요약과 비교해 평균 점수를 1.7점 올리고 평균 비용을 27.7% 줄였다.
- AKV 서버와 함께 쓰면 출력 처리량은 최대 1.2×, P95 요청 지연은 1.5× 빨라졌다.
- 재귀적 자기개선으로 캐시 정책을 다듬으면 전문가 설계보다 비용이 다시 7.1% 줄었다.
- 1371Robotics
Embodied Playground: A Long-Horizon Agentic Robotics Benchmark for Physical, Strategic, and Spatial Reasoning
- 놀이터는 기본 조작, 순서 퍼즐, 여러 단계 집안일을 아우르는 410개 과제 환경으로 이루어졌다.
- 대표 평가집 EP-100은 다섯 묶음과 16가지 과제 형태의 100과제로 골랐고, EP-Easy와 EP-Hard 난도 나눔과 소형 EP-20도 함께 제공했다.
- GPT-6-Astra는 EP-100에서 Pass@1 13.80%, Pass@2 19.94%를 기록했다.
- Opus-5.5-extra는 같은 평가에서 Pass@1 29.22%, Pass@2 35.85%를 기록했다.
- GPT-6-Astra 기준 EP-Easy는 Pass@1 18.42%, Pass@2 27.41%였고 EP-Hard는 8.81%와 12.01%였다.
- 감사에서는 645건 실패 가운데 574건(88.99%)이 규칙이나 허용 오차 공개 부족과 얽혀 있다고 밝혔다.
- 1370AI Agents
Are Self-Evolving Agents Continual Learners?
- 저자들은 주제, 작업 방식, 환경이 순서대로 바뀌는 네 가지 작업 흐름을 만들고 ReasoningBank, GEPA, Meta-Harness 셋을 시험했다.
- 평균적으로 자기진화는 성적을 올렸고, 마지막 이점은 GEPA가 +3.7, ReasoningBank가 +2.5, Meta-Harness가 +1.4 pp였다.
- 하지만 GEPA는 공유 프롬프트를 통째로 고쳐서 유연성이 가장 높은 대신 안정성 손실이 평균 −4.3으로 가장 컸다.
- ReasoningBank는 기억 검색으로 갱신을 국소화해서 평균 안정성 −1.9로 가장 좋았지만, 유연성은 +3.3에 그쳤다.
- 작업 방식이 충돌하는 비슷한 질문에서는 검색 충돌이 일어나, workflow drift 끝에 52%의 BFCL-Miss 에피소드가 반대 방식의 기억을 가져왔다.
- 저자들은 현재 자기진화 에이전트가 완전한 지속학습자가 못 된다고 보고, 작업별 갱신을 분리하고 검색을 겉모습 너머로 조건화할 방법을 요구했다.
- 1369Robotics
AgenticRoboRL: Bringing Coding-Agent Post-Training to Agentic Robotics
- 감독 미세조정과 다중 턴 강화학습을 결합해 로봇 플래너만 훈련하고 VLA 실행 부품은 고정했다.
- 하네스별 어댑터가 기록된 플래너 호출을 에피소드 결과와 연결해 VLA 스킬 호출과 제어 코드 생성 두 실행 방식을 하나의 훈련 파이프라인으로 지원했다.
- LIBERO-PRO에서 SFT가 9B 플래너의 성공률을 18.1%에서 65.1%로 올리고 RL이 71.0%까지 추가로 끌어올렸다.
- 훈련에 쓰지 않은 LIBERO-Plus 10,030개 평가에서 같은 체크포인트가 원래 19.2%에서 72.2%로 올랐다.
- CaP-X 하네스에서는 성공률을 2.7%에서 28.5%로 올려 27B 교사 모델의 20.3%를 넘었다.
- RL 보상은 과제 성공 여부 하나만 썼고 중간 보상이나 길이 벌점은 넣지 않았다.
- 1368Computer Vision
Agentic Ensemble with Vision-Language Models for Visual Anomaly Detection
- 고정된 사전학습 이상탐지기들의 점수와 이상 지도를 정규화하고 불일치 통계를 모아 구조화된 증거 상태를 만들었다.
- 충돌 점수가 임계값 τ = 0.5를 넘는 견본만 VLM을 호출해 나머지는 결정론적 예비 융합 결과를 그대로 썼다.
- VLM은 합의, 로버스트 집계, 탐지기 가중치, 불일치 수정 같은 정해진 동작 중 이미지 점수 동작과 지도 동작을 하나씩 골라 새 마스크를 자유로 만들지 못하게 제한했다.
- MVTec AD와 VisA에서 비교 융합 방법 가운데 가장 좋은 평균 이미지 AUROC와 픽셀 AP를 달성했다.
- Real-IAD 대규모 평가에서 이미지 AUROC/AP/F1을 72.47/58.85/59.66에서 75.53/62.54/62.49로 올렸다.
- VLM 백엔드로 LLaVA-7B를 썼고 주 실험에서 489회, 전이 실험에서 1286회의 VLM 호출만 추가로 발생했다.
- 1367RAG / Agents
RANGER: Retrieval Agent for Navigating Graphs with Semantic Evaluation Rewards
- LLM을 멘토로 써서 강화학습 에이전트가 찾은 경로의 의미 관련성을 Success, Highly Relevant, Failure 세 단계로 평가하고 각각 1, 0.5, 0의 보상을 줬다.
- 트랜스포머 정책 에이전트를 GRPO로 훈련해 지식 그래프를 직접 탐색하며 질의에 필요한 삼중항을 모으게 했다.
- HotpotQA 단독 검색에서 LLM 보상을 쓴 RANGER가 WaterCircles 대비 LLM-as-a-Judge 점수를 약 3.6%, 휴리스틱 보상 GRPO 대비 약 3.0% 올렸다.
- 하이브리드 검색에서는 WaterCircles 대비 LLM Judge 점수를 HotpotQA에서 약 20.4%, TriviaQA에서 4.4%, DiaASQ에서 7.7% 올렸다.
- 멘토 LLM을 Mistral Small 3.2 (24B)에서 Ministral 3 (8B)로 줄이면 성능이 WaterCircles 기준선 아래로 떨어졌다.
- 질문-정답 쌍을 지식 그래프 자체에서 자동 생성하는 자기지도 방식으로 사람이 라벨링한 데이터 없이 에이전트를 훈련했다.
- 1366RAG / Agents
Self-Assessment Reinforcement Learning for Search-State Awareness in Retrieval-Augmented Large Language Models
- 검색 에이전트가 이미 얻은 정보와 아직 빠진 정보를 알아차리지 못하면 근거 없는 추론과 이른 검색 중단이라는 두 가지 실패가 생겼다.
- SARL은 생각-검색-답변 반복 뒤에 자기 평가 단계를 붙여, 모델이 자기 궤적을 분리된 맥락에서 다시 살피고 완전한지 판단하게 했다.
- 평가가 답을 고쳤는지에 따라 보상을 주고 평가를 반복해 쓰면 지수 벌점을 더하는 이중 보상으로 훈련했다.
- 열 벤치마크에서 평균 0.429점으로 최강 기준선(ASearcher 0.345)보다 상대적으로 24.3% 좋았고, 멀티홉 추론에서는 평균 35.9%, 딥 리서치에서는 27.9% 올랐다.
- Musique에서 58.1%, FRAMES에서 48.3% 개선을 기록하며 훈련에 안 쓴 과제로도 능력이 옮겨갔다.
- 최대 32턴으로 늘어난 긴 검색 구간에서 기존 방법들은 훈련이 무너졌지만 SARL은 안정성을 유지했다.
- 1365AI / Agents
Recoverability and Verifier Strength: Two Measured Preconditions for Unattended Agent Self-Improvement
- 저자는 검증자 강도와 복구 가능성 두 측정값을 정의하고, 둘 다 충분할 때만 변경을 사람 승인 없이 배포하는 규칙을 제안했다.
- 플랫폼의 LLM 심판관은 37가운데 9 설정에서 입력과 무관하게 같은 점수를 내며 오류 신호 없이 무너져 있었다.
- 저장해둔 복사본을 되돌리면 원래 행동이 그대로 되살아났지만, 다시 만든 되돌리기는 복원이 바닥보다 0.16 어긋났다.
- 배포된 변경은 소음 바닥보다 17% 더 많은 과제 결과를 바꿨고, 이 변화는 되돌려도 회복되지 않았다.
- 규칙을 적용한 플랫폼은 프롬프트·도구·스킬 편집은 무인으로 허용하고 가중치 갱신은 사람 서명 아래에 남겼다.
- τ 2-bench 에이전트 벤치마크에서 프롬프트 편집을 통제 실험으로 시험해 규칙의 가정을 뒷받침했다.
- 1364Software Engineering
Automating Feature Flag Cleanup at Scale with Multi-Agent LLM Systems: An Industrial Experience at DoorDash
- DoorDash에는 56,000개가 넘는 기능 플래그가 약 623개 저장소에 있고 1,659개가 낡은 상태이며, 수동 정리에 건당 1~2시간이 든다고 저자는 추정했다.
- 오케스트레이터 에이전트가 Jira 티켓을 처리하고 MCP로 실험 플랫폼의 운영 롤아웃 상태를 조회해 목표 값을 정한 뒤, 사람이 확인하면 제거 에이전트들이 git worktree에서 병렬로 코드를 고쳤다.
- 평가 50개 플래그 중 31개(62%)는 한 번에 승인, 14개(28%)는 소폭 수정 후 승인, 5개(10%)는 실패해 전체 성공률은 45/50 (90%)였다.
- 건당 평균 시간은 13.8분, 평균 LLM API 비용은 $4.79였고 복잡한 플래그에서도 85% (22/26) 정리 성공률을 보였다.
- 제거 에이전트는 패치 커버리지 95% 이상과 Detekt 정적 분석을 통과해야 PR을 만들 수 있었고, 50건 전체에서 변경 코드가 버그를 만들지는 않았다.
- 실패 5건의 공통 원인은 깊은 호출 사슬의 죽은 코드를 끝까지 못 지운 것이었고, 저자는 신뢰성 경계가 정확성보다 완전성에 있다고 짚었다.
- 1363Research Agents
ADAPT for Science: A Multi-Agent System for Self-Evolving Scientific Optimization
- ADAPT는 과학 최적화를 두 결정으로 나눴다. 15,409건의 역사 설계 라이브러리에서 후보 시작점 64개를 검색해 어디서 찾을지 정하고, 실행 피드백으로 최적화 절차를 진화해 어떻게 찾을지 정했다.
- 시작점 선택 단계는 진화를 거쳐 64 →8 →2 →1 흐름의 점진 예산 배분을 찾았고, 선택 정책의 평균 손실을 3.0054까지 낮췄다.
- 최적화기 진화 단계는 Adam 구조를 유지하면서 업데이트 크기를 s(r) = 0.05 + 0.95r2로 남은 예산에 따라 줄이고, 유한하지 않은 평가는 건너뛰는 절차를 만들었다.
- 8개의 미학습 토폴로지에서 ADAPT는 평균 손실 0.204±0.101을 얻었고, 최고 고전 최적화기보다 54.9%, 최고 범용 에이전트 진화 기법보다 62.2% 손실을 줄였다.
- 대표 사례에서 표준 Adam은 손실 0.666에 도달하고 ADAPT는 0.155에 도달해 76.7% 감소를 보였다.
- 저자는 이 연구가 중력파 검출기 설계 한 분야에 집중했고, 경험 라이브러리의 품질과 범위에 의존한다고 한계를 밝혔다.
- 1362Agents / Memory
MOSAIC: An Omni-Modal Benchmark for Long-Term Memory and Cross-Modal Reasoning in Conversational Agents
- MOSAIC은 텍스트, 이미지, 비디오, 오디오를 아우르는 11–24개 세션의 대화 이력 위에 923개 질문(답 가능 784개, 거절 통제 139개)을 올린 벤치마크다.
- 평가는 WRITE, RETRIEVE, DELIVER, READ 네 단계로 나누고 질문, 독자, 프롬프트, 예산을 고정한 채 한 단계씩만 바꿔 짝 비교를 했다.
- 금 기호 사실 조건에서 점수는 0.846로 15.4점의 읽기 오류가 남았고, 원본 매체로 바꾸면 0.783, 일반 캡션과 ASR 텍스트로 바꾸면 0.690까지 떨어졌다.
- 검색 단계는 7.6점을, 실서비스 포장 제한은 같은 검색 결과에서 3.8점을 더 잃게 했고 전체 파이프라인은 0.653에 도달했다.
- 모달리티별로 비디오는 금 기호 대비 원본 매체에서 17.1점이 떨어져 인식이 가장 큰 병목이었고, 이미지의 공간 배치 항목에서는 원본이 OCR 텍스트보다 32.0점 앞섰다.
- 매체 예산을 줄이면 완전 사슬 전달이 0.675에서 0.184로 무너졌고, 모든 시스템에서 답변 정확도와 정확한 거절을 동시에 높이지 못했다.
- 1361Robotics
TARSphere: A Robot-Oriented Full-Stack Framework for Long-Horizon Embodied Agents in Evolving Physical and Social Environments
- TARSphere-Infra는 물리 시뮬레이터에서 로봇 정책을 실행하고 몸을 가진 NPC와 제약 있는 대화를 함께 운영하는 실행 인프라다.
- TARSphere-Harness는 동결된 MLLM이 다층 실행 기술, 계층 기억, 실행 피드백을 써서 결정을 다시 세우게 하는 두뇌 하니스다.
- 에이전트 참여 큐레이션으로 30개 실내 장면에 걸쳐 360개 에피소드의 TARSphere-Bench를 만들고, 다섯 쌍 조건으로 지각 강인성, 방해 적응, 과제 갱신, 사람 협력, 의도 이해를 평가했다.
- 8개 MLLM 평가에서 범용 모델이 임베디드 모델을 앞섰고, Gemini-3.8-Flash는 항해 40.6%, 배달 47.8% 성공률을 기록했다.
- 모델-과제 그룹 전반에서 충돌은 84-100% 에피소드에서, 추락은 9-47%에서 발생해 실행 안전을 과제 성공과 함께 평가할 필요가 커졌다.
- 완전한 큐레이션 파이프라인은 96.7% 사용 가능 에피소드를 냈고, 다중 에이전트 검토를 빼면 45.0%로 가장 크게 떨어졌다.
- 1360Robotics
From VLM Planners to Robotic Agents: Self-Evolving Harnesses for History-Dependent Manipulation
- SERA는 상위 VLM 플래너를 편집 가능한 하니스로 감싸 관찰과 실행 피드백으로 과제 문맥을 유지하고 갱신했다.
- 실행 기반 자가진화는 환경 롤아웃으로 계획 지침, 판정 기준, 제어 규칙의 수정안을 제안하고 검증기로 평가한 뒤 하니스를 골랐다.
- 자가진화는 상위 VLM에 대한 추가 지도 미세조정 데이터를 만들지 않고 진행됐다.
- RoboMME 벤치마크 16개 과제에서 자율 선택 SERA는 전체 성공률 51.38%를 기록했고, 이는 자가진화 없을 때의 44.38%보다 7.00 포인트 높았다.
- SERA는 Reference 69.50, Permanence 57.00, Counting 49.00, Imitation 30.00 성공률로 Reference와 Permanence에서 가장 높은 점수를 받았다.
- 저자는 VLM 추론이 실행 회로에 계획 지연을 더하며, 긴 과제에서 이 비용이 쌓이는 문제를 한계로 적었다.
- 1359Distributed Systems
Multi-agent LLMs on the Cloud-Edge-IoT Continuum: A Systematic Mapping Study on Architectures, Deployment, and Evaluation
- 831건 기록에서 45편 1차 연구를 뽑아 아키텍처 계열, 배치 패턴, 적용 분야, 평가 관행으로 분류했다.
- 연구 집단에서 5개 아키텍처 계열이 반복해서 나타났고, 배치는 로컬 전용 실행부터 사람 승인이 문을 여는 제어 회로까지 6개 패턴에 걸쳤다.
- 45편 가운데 24편은 IoT, 산업, 스마트홈, 의료, 차량, 로보틱스 환경을 다뤘고 29편은 실제 물리 하드웨어로 평가했으며, 그 하드웨어에서는 8B 미만 공개 모델이 우세했다.
- 코드나 데이터를 공개한 연구는 6편뿐이었고, 자기 구성요소를 분리하는 소거 실험을 보고한 연구는 45편 중 15편에 그쳤다.
- 프라이버시가 많은 로컬 설계의 동기인데도 프라이버시를 직접 측정한 연구는 2편에 불과했다.
- 저자들은 결과끼리 비교하려면 과제, 연속선, 상태, 거버넌스 조건과 지표를 함께 보고하라고 요구하는 보고 체크리스트를 제시했다.
- 1358Agents / Memory
When Does Experience Memory Help Closed-Loop LLM Driving Agents? A Controlled Evaluation with Resampled Warmup Pools, Token-Matched Fillers, and Audited Baselines
- 저자는 플래너와 인코더, 프로토콜을 고정하고 워밍업 풀을 열 개의 서로소 표본으로 재표집하며 토큰 맞춤 대조군을 더한 통제 평가 프레임워크를 만들었다.
- 두 검색 메모리는 열 풀 중 정확히 한 풀에서만 무메모리를 넘었고(정확 부호검정 p = 0.011), 풀 평균 효과는 부패로 −0.20이었다.
- 토큰량만 맞춘 무관한 채움 대조군이 병합 과제에서 0.800을 얻어 두 메모리를 유의하게 앞섰고, 15-token 주의 지시 한 줄은 0.980에 도달했다.
- 시간 그래프 메모리 TG-Mem은 평평한 텍스트 메모리와 구별되지 않았고(p=1.0), 판단당 1,038 프롬프트 토큰을 써서 210 to 274보다 훨씬 비쌌다.
- 베이스라인 포트 품질이 결론을 조용히 뒤집었다. 손상된 DiLu 포트는 0.375, 감사된 포트는 0.670으로 같은 조건에서 절반가량 차이가 났다.
- 한계로 모든 결정적 비교가 HighwayEnv, gpt-4o-mini, 1 Hz 결정 주기의 약한 플래너 조건에서 나왔다.
- 1357AI Agents
Self-Evolving Agents through Privileged Retrospective Distillation
- RSD는 정답 궤적과 검증자 보상 없이, 같은 모델이 특권적 회고 맥락을 보고 자기 행동을 다시 평가한 뒤 그 분포를 정책에 증류한다.
- 특권 맥락은 축적 경험에서 온 선례와 교훈, 그리고 현재 궤적이 끝난 뒤에만 쓸 수 있는 반성과 미래 사후정보 네 가지로 구성했다.
- Qwen3-8B와 14B로 세 벤치마크를 시험해 RSD는 기반 모델 대비 최대 59.7% 상대 향상을, 프런티어 유도 맥락 진화는 고정 맥락 대비 추가로 최대 44.7% 상대 향상을 얻었다.
- ALFWorld-8B에서 RSD는 평균 성공률 76.6으로 기반 모델의 62.9를 넘었고, ScienceWorld는 8B에서 15.6에서 23.4로, 14B에서 12.9에서 20.6로 올랐다.
- 프런티어 유도 맥락 진화는 ScienceWorld에서 8B 23.4에서 27.5로, 14B 20.6에서 29.8로 향상시켰고 두 규모 모두 무작위 탐색을 앞섰다.
- 경계 사례로 SearchQA는 여러 라운드에 걸쳐 성능이 좁은 구간에 머물렀다.
- 1356RAG / Agents
Toward Agentic Retrieval-Augmented Generation for Enterprise Retail Workflows over Heterogeneous Data Sources
- 가상 판매자-구매자 상호작용으로 만든 소매 데이터베이스 위에서 재귀 합성 파이프라인이 난이도 세 단계의 1,680개 다중 원천 질의를 만들었다.
- 10년 경력 도메인 전문가가 검수한 결과 90%의 질의를 실제 판매 분석가가 실무에서 물을 만한 질의로 판정했고, Level-1 97.5%, Level-2 90.0%, Level-3 82.5%였다.
- RetailRAG는 평균 LLM-judge 0.429로 가장 강한 베이스라인 HetaRAG의 0.293를 넘었고, API 호출은 질의당 7.45회로 HetaRAG의 25.21회보다 적었다.
- 열 개 LLM 백본 가운데 가장 강한 Qwen3.6-Plus와 GPT-5.4도 평균 LLM-judge 0.511과 0.508에 그쳐 RetailBridge를 풀지 못했다.
- 모든 백본이 Level-1 성능의 절반 이상을 Level-3까지 잃었고, 텍스트 검색 질의에서 성능이 가장 크게 무너져 텍스트 검색이 주요 병목이었다.
- 1355AI Agents
MIRA: A Multimodal Illustrated Deep Research Agent for Controllable Reports
- MIRA-Harness는 사용자 요구를 생성 계약으로 바꿔 보고서 길이, 그림 구성, 출처 근거에 대한 통과 조건을 정하고 증거 수집, 보고서 제출, 피드백 수정, 최종 전달 네 단계를 연결했다.
- 보고서 검사 문(report gate)을 켜자 모든 조건을 통과한 보고서는 32건 중 0건에서 25건으로 늘었고 인용된 그림 비율은 23.5%에서 92.6%로 올랐다.
- 저자들은 Kimi K2.6으로 MIRA-Harness 안에서 궤적을 만들고 합성 문(synthesis gate)으로 품질을 확인한 약 4.6K의 Harness-Native 궤적과 33K의 일반 검색 궤적을 합쳐 MIRA-Data를 구성했다.
- MIRA-Data로 학습한 MIRA-SFT는 같은 백본을 쓰는 MIRA-Base보다 8개 벤치마크에서 평균 5.50점이 올라갔고 VDR-Bench에서 10.80점, FVQA에서 9.33점이 올라갔다.
- MIRA-SFT는 비교한 공개 에이전트 가운데 8개 벤치마크 중 7개에서 가장 좋은 성적을 냈고 훨씬 큰 Qwen3.5-397B-A17B를 6개 벤치마크에서 앞질렀다.
- 한계로 저자들은 외부 검색 인프라의 일시적 오류와 웹 문서 파싱 실패가 증거 수집을 방해할 수 있고 증거를 잘못 읽거나 약한 근거로 주장을 쓰는 환각이 생길 수 있다고 적었다.
- 1354Agents / Memory
Memory as Belief: Bayesian Evolution of Memory for Self-Evolving LLM Agents
- BEAM은 기억 가치를 상황에 따른 베타 분포 믿음 Beta(α, β)로 표현하고 얕은 LoRA 추정기로 백본을 고정한 채 그 믿음을 예측했다.
- 실행 피드백을 증거로 삼아 하나씩 빼는 반사실 평가로 기억별 한계 기여를 계산하고 증거 목표, 쌍 순위 손실, 선택적 베타-KL 규제로 기억 가치 추정기를 온라인 학습했다.
- Thompson 표집으로 믿음에서 효용 점수를 뽑아 증거가 적은 기억에 탐색 기회를 주었다.
- BEAM은 두 실행 모델 모두에서 가장 강한 기준보다 평균 3.93점과 2.43점 앞서는 최고 성적을 냈다.
- 과업 흐름을 단계로 나눠 보면 BEAM은 후반 단계에서 기억 없는 기준 대비 이득이 더 커져 지속적 자기진화를 보였다.
- MATH-500에서 학습한 가치 모델을 AIME으로 옮기면 처음 단계에서 큰 이득을 보였고 흐름 전체 평균 성능도 가장 좋았다.
- 1353Research Agents
Epi: Towards a Persistent, Self-Improving Agent for Autonomous Research
- Épi는 계층 기억, 버전 관리 분기와 되돌리기, 독립 검토를 함께 써서 모델 세션을 넘어 조사를 이어가고 방법을 발전시켰다.
- Épi는 12개 문제군의 수치 경계 20건과 8개 문제군의 구성 100건을 합쳐 120개의 신기록을 냈다.
- n-퀸 상수의 구간은 약 84배 좁아졌고 4차 Feigenbaum 어트랙터 차원의 엄밀한 구간은 3.6-million-fold보다 많이 좁아졌다.
- 정확한 쌍대 증명서로 Cohn–Elkies 선형계획 경계가 차원 10과 11에서 날카롭지 못하다는 사실을 확정했다.
- Épi는 8-꼭짓점 클릭 부분과 세 개 이하의 삼각형 활성 이웃 유형을 가진 분할 그래프에서 투자 추측을 컴퓨터 보조로 증명했다.
- 가벼운 설정 Épi-turbo는 30개 FrontierOR 과제에서 Codex보다 총 벤치마크 점수가 5.4% 높았고 모델 비용은 64%만 들었다.
- 1352AI Agents
DocPilot: Interactive Agent Orchestration and Training for Long Visual Document Understanding
- 연구진은 페이지 탐색, 증거 추출, 부분 확대 검사, 코드 계산, 답 검증, 답 생성의 여섯 동작을 상황에 맞게 조율하는 문서 에이전트 프레임워크 DocPilot을 만들었다.
- 최고 성능 VLM 백본에서 DocPilot은 MMLongBench-Doc 정확도를 백본별로 10.1, 14.7, 10.8, 13.4점씩 올렸다.
- 단일 능력 학습 뒤 조율 학습을 거치는 단계적 학습으로, 4B 크기의 DocPilot-4B는 세 벤치마크에서 각각 4.2%, 7.5%, 11.0%의 향상을 보이며 큰 모델과 경쟁했다.
- Gemini-2.5-Pro 백본에서 DocPilot은 기존 문서 에이전트 DocLens의 67.6을 72.8로 앞질렀고 DocBench에서는 DocDancer의 79.9를 84.1로 앞질렀다.
- 문서 간 질문 벤치마크 MADQA에서 GPT-5.4 백본으로 86.5 정확도를 얻었고 문서 간 점수는 89.5로 최고를 기록했다.
- 답 검증 동작을 빼면 정확도가 73.5에서 64.9로 떨어져, 동작 조율의 핵심이 답 검증임을 확인했다.
- 1351Software Engineering
Verifier-Grounded Agentic RL for Provably Correct Code
- 연구진은 검증기의 합격·불합격 판정 대신 진단 정보를 읽어, 인스턴스가 요구하는 증명 항목 가운데 얼마나 해결했는지 비율로 점수를 주는 보상을 만들었다.
- 무결성 심사를 검증기보다 우선하여, 명세를 몰래 약화하거나 증명할 내용을 가정으로 대신한 제출을 걸러낸다.
- Qwen3 모델(1.7B부터 14B까지)과 35B 혼합 전문가 모델을 학습한 결과, 코드 생성의 검증 통과율이 DafnyBench에서 66.1%에서 93.5%로, SWE-Proof에서 56.3%에서 100%로 올랐다.
- 같은 설정의 합격·불합격 이진 보상은 코드 생성에서 71.0%에 그쳤고, 증명 전문가 모델을 고정 협력자로 넣으면 DafnyBench에서 4.8점이 더 올랐다.
- 저장소 패치까지 제출해야 하는 과제에서 각 프로젝트의 숨겨진 테스트를 통과한 문제 해결 비율이 59.6%에서 72.5%로 올랐다.
- 학습에 쓰지 않은 세 검증 벤치마크에서도 성적이 올라, 학습에 없는 Rust 언어와 Verus 검증기 환경에서도 실력이 옮겨 갔다.
- 1350Agents
Knowledge Graphs as Files: An Agent Harness Where Tool Creation and Tool Use Co-Evolve
- 연구진은 지식 그래프의 노드와 엣지를 통째로 파일로 내보내고, 에이전트가 파이썬 코드로 관계를 따라가며 증거를 모으는 DKGI 하네스를 만들었다.
- 학습 없이 쓴 DKGI는 STaRK 시험에서 지금까지 발표된 최강 기준보다 모든 그래프에서 최소 6.7 Hit@1 점수를 앞섰다.
- 셸 명령만 쓸 때보다 파이썬을 여러 턴에 걸쳐 쓸 때 전체 Hit@1이 6.9점 올라갔다.
- 에이전트는 질문마다 평균 4.0개의 프로그램을 썼고 이전 결과를 재사용해 코드를 고쳐 나갔다.
- 한계로 평가는 STaRK의 세 지식 그래프로만 했고 더 큰 그래프에서의 확장은 남은 과제다.
- 1349LLMs / NLP
Beyond Benchmark Accuracy: A Diagnostic Test for LLM Chemical Prediction
- 대상 분자의 이름이나 SMILES를 주지 않고 출발 분자 구조와 자연어 구조 변경 설명만으로 여섯 화학 예측 과제를 새로 구성했다.
- 구조 재구성 검증에서 네 모델 모두 카이럴 과제는 100% 정확도로 대상 구조를 복원했고, 전체 범위는 86.05%에서 100%였다.
- 출발 분자와 대상의 라벨이 일치하는 집단이 성적이 더 좋았고, 참 라벨을 명시하자 24개 모델-과제 조합 중 22개에서 그 격차가 커졌다.
- 출발 라벨만 거짓으로 바꿨을 때 이진 분류에서 Claude-Opus-4.8 예측의 91.2%가 거짓 라벨 쪽으로 바뀌었고 수율 예측에서는 61.2%에서 98.0%의 예측이 같은 방향으로 움직였다.
- NOSE와 RDKit 같은 도구의 증거를 덧붙이자 대상 관련 증거가 있는 과제에서는 다섯 모델 모두 성적이 올랐고, 커버리지가 부족한 과제에서는 제한적 향상이나 하락도 나타났다.
- 결론적으로 높은 벤치마크 점수만으로 LLM이 신뢰할 만한 구조-성질 추론 능력을 가졌다고 보기 어렵다고 저자가 밝혔다.
- 1348Robotics
ChunkAct: Action Chunking for Agentic Robotics
- 기존 에이전틱 로보틱스는 매 원시 동작마다 LLM 추론을 돌려서, 집기·놓기 과제 하나에 평균 24.2회 호출과 2.2M 입력 토큰이 들었다.
- 플래너 호출 분석에서 행동 원시 동작은 20.5%뿐이고 지각이 44.3%, 메모리 읽기가 31.7%로 대부분을 차지했다.
- ChunkAct는 메모리를 과제 유형별 실행 가능한 청크로 미리 컴파일하고, 테스트 때는 한 번의 호출로 청크 전체를 실행해 실패 시에만 플래너로 돌아오게 했다.
- LIBERO-Pro 벤치마크에서 전체 성공률 83.8%로 최고 성적을 냈고, LLM 호출 2.9×, 입력 토큰 4.4×, 출력 토큰 2.3×를 줄였다.
- 청크만 스크립트로 실행해도 성공률 57.5%에 도달해, LLM 플래너의 기여가 실패 회복에 집중됨을 보였다.
- 메모리를 만든 LIBERO-Pro와 다른 LIBERO-Plus 7개 교란 축에 그대로 적용해 전체 성공률 83.9%로 제로샷 일반화도 확인했다.
- 1347Machine Learning
Learning When to Transfer: Reinforcement Learning for Carbon-Footprint Modeling in New Manufacturing Domains
- 재료 압출 3D 프린팅 실험 729건을 ABS, PETG, TPU, PLA, 재생 PLA 다섯 재료로 수행해 부품별 온실가스 배출 데이터를 만들었다.
- 재료·공정·툴패스 특징 22개로 각 실험을 설명하고, 측정한 제조 전력과 폴리머별 생산 배출 계수를 합쳐 부품당 배출량 값을 정의했다.
- 강화학습 정책이 개별 소스 예측기, 소스 부분집합, 전체 통합, 목표 데이터만 쓰는 대안 사이에서 무게를 골라내고, 검증 관문이 대안보다 나을 때만 전이 예측을 배포했다.
- 재료 하나를 빼고 평가한 결과 이 방법의 평균 테스트 RMSE는 5.2 g.CO2e per part로, 목표 데이터만 쓴 학습보다 20.0% 낮았다.
- 목표 학습 데이터가 5–10%만 있을 때는 목표 단독 학습보다 32.5% 낮았고, 검증 관문을 쓴 방법의 부정 전이율은 17%로 전체 통합 방식의 49%보다 낮았다.
- 한계로 검증 기반 배포 규칙이 테스트 오류 감소를 보장하지 않고, 다섯 재료 표본으로는 다른 재료로의 일반화 추론이 제한된다고 저자가 밝혔다.
- 1346Agents / Memory
EGCForest: Structured Agent Memory Organization for Enterprise Group Chats
- 연구진은 기업 단체 채팅 기록을 채널, 배우, 아티팩트 세 개의 상보적인 숲으로 정리하는 EGCForest 프레임워크를 제안했다.
- 세 숲은 같은 불변 메시지 로그를 공유하고, 배치 맵과 희소 다리가 숲 사이 교차 연결을 만들어 원문 추적 가능성을 지킨다.
- 온라인 검색은 보기별 잎 회수, 요약 보충, 구조 완성, 예산 조립 네 단계로 이루어지고 검색에 LLM 호출이 필요하지 않다.
- 세 기업 채팅 벤치마크에서 EGCForest는 RAG와 기억 시스템 기준을 꾸준히 앞서며, 정답 정확도를 MemOS보다 최고 20.85점 높였다.
- 회사 내부 데이터에서 단계별 기여를 보면 구조 완성 단계가 P@20을 7.1에서 8.0으로, 정확도를 47.9에서 53.3으로 올렸다.
- 질의당 검색 지연은 65 ms로 비교군 가운데 가장 빨랐고, 저장 공간은 206 MB를 차지했다.
- 1345Robotics
Cracking Mobile Manipulation: From Failure Diagnosis to Agentic Robot System
- 사전학습된 부분과제 VLA는 원자 과제에서 80% 성공하지만, 이들을 묶은 이동 조작에서는 19%만 성공하는 큰 격차를 보였다.
- 100개 에피소드의 실패를 분석해 주된 실패가 작업 계획 21.0%, 항법과 기저 자세 25.9%, 국소 조작 53.1% 세 범주로 나뉨을 밝혔다.
- 정책은 그대로 두고 시연 기반 계획 안내, 적응형 시각 기억, 접근성 판단 기저 조정, 엔드 이펙터 조정을 더하자 RoboCasa365 성공률이 19%에서 47%로 올라갔다.
- 설계를 고정한 뒤 본 시험에서는 성공률이 기준선 18% 대비 49%로 올라갔고, 짝 비교에서 p < 0.001 유의미함을 확인했다.
- BEHAVIOR-1K에서는 14%에서 37%로, 실제 로봇 두 과제에서는 5/20에서 13/20으로 성적이 올라갔다.
- 개입이 더해지자 남은 실패의 중심이 조작 쪽으로 옮겨갔고, 최종 시스템의 53건 실패 중 47건이 조작 실패였다.
- 1344AI Agents
MMA-SafetyBench: A Benchmark for Multimodal Agent Safety Evaluation
- 연구진은 위조된 시스템 알림처럼 그럴듯한 눈으로 보는 요소가 에이전트를 맡은 일에서 벗어나게 하는 실패 양상을 시각 의미 납치(Visual Semantic Hijacking)라 이름 붙였다.
- 웹 자동화, 데스크톱 GUI, 모바일 항법, 문서 이해, 영상 처리 다섯 분야에 걸쳐 1,083개의 대항 궤적을 담은 MMA-SafetyBench를 만들었다.
- 아홉 개 비전-언어 모델을 시험한 결과 공격 성공률(ASR)은 최고 87.96%, 의미 타협률(SCR)은 98.09%까지 올라갔다.
- GPT-5 심판은 사람 라벨과 300건 중 290건(96.67%)에서 같은 판정을 내려 채점 신뢰성을 확인했다.
- 안전 우선 프롬프트(SPP)를 붙이자 45개 모델-분야 쌍에서 평균 ASR가 55.20%에서 19.54%로 내려갔지만 잔여 실패는 여전히 컸다.
- 한계로, 좌표 명중 중심의 ASR는 접지 오류를 튼튼한 방어로 잘못 세울 수 있고 실제 배포 환경의 공격 빈도는 재지 않는다고 밝혔다.
연구에서 제품 적용까지
운영 중인 기능, 시범 적용과 개발 중인 기술을 구분해 정리했습니다.
보유기술 보기