아티클 & 가이드

MLExpert는 도구와 지속적으로 상호작용하며 머신러닝 실험을 계획하고 실행하고 개선하도록 훈련된 35B 혼합 전문가 에이전트입니다. 긴 실험 궤적을 실행 창으로 나누고 중간 결과를 학습 신호로 활용합니다.

SWE-at-Scale는 과거 소프트웨어 버그 수정 기록을 거꾸로 활용해 실행 가능하고 다양한 소프트웨어 엔지니어링 과제를 만든다. 일반적인 모델 지식으로 버그를 꾸미는 대신, 실제 수정에 담긴 결함 형성 메커니즘을 새로운 코드 문맥에 적용한다.

NAVER AI Lab의 Speculative Forcing은 이미 안정된 비디오 토큰을 조기에 확정하고, 추가 수정이 필요한 토큰에만 디노이징 계산을 집중하는 방법입니다.

Orbia는 인터랙티브 비디오 월드 모델이 탐색과 재방문 과정에서 안정적인 3D 장면을 유지하는지 평가하는 벤치마크다. 입력 보존, 생성 콘텐츠 지속성, 3D 자기 일관성이라는 세 가지 축을 사용한다.

EdgeWise는 장기 에이전트 작업의 대부분을 로컬 소형 언어 모델로 처리하고, 더 강한 추론이 필요한 단계만 클라우드 LLM에 위임하는 엣지-클라우드 협업 프레임워크입니다. 성능을 유지하면서 추론 비용을 줄이는 것이 목표입니다.

SYNC는 서로 다른 구조의 언어 모델이 미세 조정이나 학습된 변환기 없이 사실을 주고받도록 하는 단어 인덱스 기반 통신 방식을 제안한다. 수신 모델은 자신의 은닉 상태에 있는 단어 방향을 활용해 전달된 정보를 기록한다.

대규모 언어 모델 벤치마크가 늘어나면서 전체 평가에 필요한 비용도 커지고 있습니다. 119편의 논문을 검토한 이번 서베이는 일부 테스트만으로 전체 점수와 모델 순위를 추정하는 ‘벤치마크 압축’ 연구를 체계적으로 정리합니다.

Apertus 1.5는 완전 공개를 지향하는 Apertus 제품군을 이미지와 오디오를 이해하는 멀티모달 추론 모델로 확장했습니다. 언어 모델의 핵심 구조는 유지하면서 추가 사전학습, 장문 컨텍스트 학습, 추론 중심 후학습을 결합한 것이 특징입니다.

RAR는 인터랙티브 월드 모델의 시간 속도 결합 문제를 해결하기 위해 물리적 시간의 일관성을 유지하면서 생성 속도를 바꿀 수 있는 프레임워크를 제안한다. Stride-RoPE와 멀티 스트라이드 학습으로 다중 속도 롤아웃과 온라인 전환을 지원한다.

APEX-Harm은 금융·컨설팅·법무 장기 업무에서 프롬프트 및 스크립트 주입 공격에 대한 AI 에이전트의 대응을 평가한 벤치마크입니다. 최종 결과물이 정확해도 에이전트가 승인되지 않은 작업을 수행할 수 있다는 점을 보여줍니다.

Qwen3를 분석한 연구는 NO-THINK 모드에서 강화학습으로 얻는 성능 향상의 일부가 새로운 추론 전략의 학습보다 기존 THINK 능력의 재활성화로 설명될 수 있다고 제시했다.

장편 영상 생성의 핵심 과제는 개별 샷의 품질뿐 아니라 샷 사이의 공간적·시간적 일관성입니다. ATAS는 정적 장면과 시간별 사건을 별도로 기억해 이 문제를 해결하려 합니다.

Player-1은 컴퓨터 사용 모델에 더 풍부한 입력 표현과 합성 환경 기반 강화학습을 결합해, 게임 에이전트를 시연 모방 이상의 수준으로 끌어올리는 사후학습 프레임워크입니다. 여러 게임 벤치마크에서 지도 미세조정만 거친 정책보다 높은 성능을 보였습니다.

ByteDance Seed의 Cortex는 일시적인 컨텍스트로 얻은 성능 향상을 컨텍스트가 사라진 뒤에도 활용할 수 있는 파라미터 업데이트로 변환합니다. 새로운 정보를 내부화하면서 목표와 무관한 능력의 저하를 줄이는 것이 핵심입니다.

CLASHarness는 컴퓨터 사용 과정에서 발생하는 오래된 상태, 상충하는 지시, 공유 자원 경쟁을 평가하는 제어 가능한 벤치마크다. 시각적 사실을 먼저 고정하고 실행된 참조 궤적에서 평가기를 생성한다.

Doc2Harness는 고정된 에이전트 환경에서의 작업 성공률을 넘어, LLM이 코딩 에이전트의 실행 기반인 Harness 자체를 만들 수 있는지 평가한다. 최고 모델도 328개 테스트에서 절반을 조금 넘는 수준만 통과했다.

한 서베이 논문이 낮은 수준의 동작 예측을 넘어 목표 이해, 작업 계획, 실행 오류 수정, 환경 적응을 수행하는 에이전틱 로봇 연구를 정리했다. 기존 연구는 Model, Data, Environment, Harness라는 네 기능 영역으로 분류된다.

휴머노이드의 도구 사용은 도구를 집는 것만으로 끝나지 않습니다. 적합한 도구를 고르고 조작하며 필요할 때 이동까지 수행해 과제를 완수할 수 있는지를 HumanoidToolBench가 평가합니다.

대규모 언어 모델 에이전트는 도구를 잘못 사용해서만 실패하는 것이 아니다. 사용자와 비효율적으로 상호작용하는 문제까지 측정하는 τ-Emotion-Bench가 제시됐다.

출력 형식의 제약만 만족하면 실질적인 답변이 거의 없어도 높은 점수를 받을 수 있다는 연구 결과가 나왔다. 연구진은 추가 심사 모델 없이 참조 정책의 가능도를 활용해 이 문제를 완화하는 CALIF를 제안했다.

이미지 생성 모델은 읽을 수 있는 중국어를 만들면서도 획이 빠지거나 추가되고 구성 요소가 일그러진 글자를 남길 수 있습니다. TextVerifier는 글자를 읽을 수 있는지보다 목표 한자가 올바른 형태로 그려졌는지를 판별합니다.