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. 9Medical AI / Reasoning

    HuatuoGPT-o1, Towards Medical Complex Reasoning with LLMs

    • 방법은 어려운 폐쇄형 의료 시험 문제를 객관적 정답이 있는 40K개의 검증 가능한 문제로 변환하여, 답변 정확성과 추론 품질 모두에 대한 자동 피드백을 가능하게 한다.
    • 핵심 아이디어는 의료 검증기를 능동적 학습 구성 요소로 사용하는 것이다. 실패한 초기 사고 사슬 시도는 올바른 궤적을 찾을 때까지 백트래킹, 새 경로 탐색, 검증, 수정을 통해 개선된다.
    • 학습은 먼저 검증기가 승인한 복잡한 추론 궤적으로 미세조정한 다음, 검증기 기반 보상을 사용하는 PPO 강화학습을 적용하여 독립적인 의료 추론을 강화한다.
    • 결과와 한계 측면에서 8B 모델은 벤치마크 8.5점 향상을 보이고 70B 모델은 오픈소스 의료 LLM을 선도하지만, 검증기 신뢰성과 시험형 문제에서 실제 임상 모호성으로의 전이는 여전히 열린 과제로 남는다.
  2. 8Architecture

    Memory Layers at Scale

    • 방법 측면에서 각 메모리 계층은 입력 질의에 대해 상위 k개의 학습 가능한 키를 검색하고 해당 값들을 결합하여, 시퀀스 활성값에 대한 어텐션과는 구별되는 저렴한 학습형 조회 테이블 역할을 한다.
    • 엔지니어링 측면에서 곱-키는 검색 비용을 줄이고, 값들은 GPU 전반에 샤딩되며, 맞춤형 CUDA 커널은 H100에 근접한 메모리 대역폭에 도달하여, 보고된 스케일링 연구에서 최대 128B 파라미터 메모리를 가능하게 한다.
    • 결과적으로 Memory+는 두 배 이상의 연산 예산을 가진 밀집 모델을 능가하고, 연산량과 파라미터 수를 맞췄을 때 MoE 및 PEER를 능가하며, 사실 기억 벤치마크에서 가장 뚜렷한 향상을 보인다.
    • 시사점은 최적의 설계가 밀집 추론 용량과 희소 메모리 용량 사이의 균형을 유지하며, 이는 미래 LLM이 연산 집약적 변환과 효율적인 지식 저장을 분리할 수 있음을 시사한다는 것이다.
  3. 7Agents

    Aviary

    • 프레임워크 측면에서 Aviary는 추론, 도구, 코드, 반복적인 행동-관측 루프를 사용하는 언어 에이전트를 위한 짐나지움 형태의 환경을 제공한다.
    • 형식화 측면에서 에이전트는 언어 결정 과정의 정책으로 취급되며, 이는 언어 기반 부분 관측 마르코프 결정 과정 형식화다.
    • 작업으로는 분자 클로닝, 문헌 기반 연구 QA, 단백질 안정성 공학이 포함되며, 모두 다단계 과학적 추론을 요구한다.
    • 결과적으로 온라인 학습과 추론 시점 확장을 통해 오픈소스 비프런티어 LLM 에이전트가 훨씬 낮은 비용으로 프런티어 에이전트 및 인간 전문가와 경쟁할 수 있다.
  4. 6Image Generation

    1.58-bit FLUX

    • 방법은 FLUX.1-dev를 삼진 -1, 0, +1 가중치로 양자화하여, 대규모 텍스트-이미지 모델에 대해 1.58-bit 표현에 도달한다.
    • 데이터 요건 측면에서 양자화는 데이터 없이 이루어지며, 외부 이미지 데이터셋 대신 원본 모델의 자기 지도를 사용한다.
    • 효율 면에서 보고된 향상에는 저장 공간 7.7배 감소, 추론 메모리 5.1배 감소, 그리고 맞춤형 저비트 커널을 통한 지연 시간 감소가 포함된다.
    • 결과적으로 벤치마크는 극단적인 압축에도 불구하고 1024×1024 이미지 품질이 비슷함을 시사한다.
  5. 5Medical AI

    MEDEC

    • 과제 전환 측면에서 MEDEC는 의료 QA 질문을 던지는 대신, 기존 또는 생성된 임상 기록의 정확성과 일관성을 검증하도록 모델에 요구한다.
    • 데이터셋은 3,848개의 임상 텍스트로 진단, 관리, 치료, 약물요법, 원인 병원체 오류를 다룬다.
    • 평가에서는 17개 공유 과제 시스템과 프런티어 LLM이 비교되며, 의사가 인간 기준점으로 사용된다.
    • 결론적으로 LLM은 유용한 오류 탐지 능력을 보이지만 여전히 의사 수준에 미치지 못하여, 임상 문서화에서 신중한 배치가 필요함을 강조한다.
  6. 4Reasoning / Efficiency

    On the Overthinking of LLMs

    • 문제는 o1 계열 모델이 단순한 작업에 긴 추론 흔적을 할당하는 경우가 많아, 정확도 향상은 제한적이면서 지연 시간과 비용은 증가시킨다는 것이다.
    • 평가 측면에서 이 논문은 추론 연산이 합리적으로 사용되고 있는지 측정하기 위해 결과 수준 및 과정 수준의 효율 지표를 제안한다.
    • 방법으로는 자기 학습 전략이 서로 다른 난이도의 작업 전반에서 답변 품질을 유지하면서 추론을 간소화하도록 모델을 학습시킨다.
    • 시사점은 미래의 추론 시스템에 모든 질의에 대해 장황한 사고 사슬을 고정적으로 사용하는 습관이 아니라, 적응형 테스트 시점 연산 정책이 필요하다는 것이다.
  7. 3LLMs / Open Models

    OLMo 2

    • 공개 범위는 가중치, 데이터, 코드, 레시피, 로그, 중간 체크포인트를 모두 제공하여, 재현 가능한 연구와 다운스트림 적응에 유용한 모델이 된다.
    • 학습 레시피에서 Dolmino Mix 1124와 후기 커리큘럼 학습은 단순히 더 큰 연산량에 의존하지 않고도 다운스트림 능력을 향상시킨다.
    • 명령어 모델인 OLMo 2-Instruct는 Tülu 3 기법을 토대로 하며, 마지막 단계의 검증 가능한 보상을 사용하는 강화학습으로 이를 확장한다.
    • 결과적으로 기본 모델은 더 투명함을 유지하면서도 Llama 3.1, Qwen 2.5, Gemma 2 계열의 가중치 공개 시스템과 경쟁력이 있다.
  8. 2Agents

    Agents Are Not Enough

    • 핵심 논지는 더 강력한 생성 모델만으로는 실제 사용자 워크플로에서 에이전트를 효과적이거나 지속 가능하게 만들기에 충분하지 않다는 것이다.
    • 역사적 관점에서 이전 에이전트 시스템은 자율성, 맥락, 신뢰, 조율, 사용자 대표성이 에이전트라는 비유가 시사하는 것보다 더 어려웠기 때문에 실패하거나 정체되었다.
    • 구조 측면에서 제안된 생태계는 하나의 모델 구성 요소가 모든 것을 처리하도록 강제하는 대신 실행 Agents, 사용자를 대표하는 Sims, 사용자 대면 Assistants를 분리한다.
    • 산업적 의의로 보면 유용한 에이전트 시스템에는 자율적인 행동 루프뿐 아니라 지속적인 사용자 맥락, 워크플로 조율, 인간 대면 제어 인터페이스가 필요하다.

연구에서 제품 적용까지

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

보유기술 보기