아티클 & 가이드

VoxMem은 대규모 음성 언어 모델이 여러 대화 세션에 걸쳐 무엇을 기억하는지 평가하는 벤치마크입니다. 모델은 발화 내용보다 누가 말했는지, 어떻게 말했는지, 주변에서 무엇이 들렸는지를 훨씬 잘 기억하지 못했습니다.

RLVR은 제한된 롤아웃에서 모든 답이 틀리면 유효한 보상 신호를 얻기 어렵습니다. GRAFT는 다른 모델이 발견한 궤적을 공유하면서 오프폴리시 불일치를 제어해 이 문제를 완화합니다.

이미지 생성 학습은 언제 시각 이해 능력을 높일 수 있을까요? OmniTaskonomy는 19개 이미지 간 생성 과제와 25개 시각 이해 능력을 통합해 과제별 전이 관계를 분석했습니다.

LongCat-DeepResearch는 개선된 LongCat 모델과 멀티에이전트 워크플로를 결합해 근거 기반 연구 보고서 생성을 시도한다. 여러 평가에서 높은 성과를 보였지만, 계획을 더 추가한다고 항상 품질이 향상되는 것은 아니라는 점도 확인됐다.

HybridCUA는 그래픽 인터페이스와 명령줄을 함께 사용하고, 작업에 따라 두 방식을 조율하는 컴퓨터 사용 에이전트 학습 방법을 제안한다. 9B 모델은 OSWorld에서 53.6%의 정확도를 기록해 기본 모델보다 14.8%포인트 향상됐다.

Marathoner는 AI 에이전트가 복잡한 목표를 향해 장시간 작업을 지속하도록 만드는 포스트트레이닝 방법이다. 어려운 과제 합성, 거부 샘플링 미세조정, 샌드박스 강화학습, 실행 후반 보상 전략을 결합한다.

홍콩과학기술대 연구진이 로봇 조작을 위한 행동 구동형 시각 시뮬레이터 WorldLine을 제안했다. 이 시스템은 로봇-물체 동역학 학습과 서로 다른 로봇의 제어 신호를 연결하는 과정을 분리한다.

Meta 연구진은 문맥을 모델이 자유롭게 수정할 수 있는 파일로 다루는 Context Language Models를 제안했다. 여러 장기 에이전트 과제에서 성능을 높이면서 계산량을 줄였다고 보고한다.

새 연구가 밀집 검색에서 공유 투영과 이중 투영을 선택하는 문제를 편향과 분산의 관점에서 분석했습니다. 데이터가 많아지거나 질의와 문서 공간의 기하가 달라질수록 이중 투영의 장점이 커진다는 결과를 제시합니다.

Google Research가 4억 개 파라미터 규모의 표 형식 데이터 전용 파운데이션 모델 TabFM을 공개했다. 감독 학습 기반 표 예측을 인컨텍스트 러닝으로 재구성해 작업별 미세 조정 없이 추론한다.

CompoWorld는 재사용 가능한 서비스를 의존성 그래프로 조합해 여러 도구 사이에서 정보를 전달해야 하는 작업을 생성한다. 단일 환경 중심의 에이전트 훈련을 실제 업무 흐름에 가까운 형태로 확장하는 접근이다.

FlashForward는 디노이징 과정에서 이미 계산된 KV 캐시를 재사용해 캐시 갱신 전용 모델 추론을 줄인다. 노이즈가 남은 이력으로 인한 외관과 움직임의 드리프트는 희소한 클린 앵커로 보완한다.

RLVR에서는 롤아웃을 생성하는 추론 엔진과 그래디언트를 계산하는 학습 엔진이 같은 토큰에 서로 다른 확률을 부여할 수 있습니다. 새 기법 CIS는 토큰 신뢰도를 반영한 중요도 샘플링으로 이 차이가 정책 업데이트에 미치는 영향을 줄입니다.

VQS는 답변 다수결 대신 이미지를 구조화된 기록으로 바꾸고 고정 프로그램으로 질문과 답을 생성합니다. 사람 평가에서 94%의 정답률을 보였으며 Qwen3-VL을 10개 벤치마크에서 개선했습니다.

루프형 언어 모델은 가중치를 공유하는 블록을 반복 실행해 유효 깊이를 높이지만, 토큰마다 반복 블록을 순차 호출해야 해 디코딩 지연이 커집니다. Wavefront Decoding은 중간 상태를 초안 예측에 활용하고 서로 다른 위치와 반복 깊이의 계산을 파형 형태로 배치합니다.

SentZero는 흉부 X선과 방사선 판독 보고서를 활용하는 문장 중심 비전-언어 사전학습 프레임워크입니다. 긍정 쌍의 다양성 부족과 임상적으로 같은 문장이 부정 샘플로 처리되는 문제를 줄여 멀티태스크 제로샷 분석을 높이는 것을 목표로 합니다.

MassAlloc Attention(MALA)은 합법적인 인과적 QK 상호작용에 대한 접근은 유지하면서, 정규화된 어텐션 기여도를 기준으로 영향이 작은 영역의 후속 계산을 줄인다. FullAttn에 가까운 품질을 유지하면서 긴 컨텍스트의 계산을 적응적으로 절감하는 방식이다.

Skill2Env는 재사용 가능한 스킬에서 출발해 에이전트의 능력 요구를 반영한 과제와 실행 환경을 합성하는 프레임워크입니다. 솔버의 실행 궤적을 분석해 지나치게 쉬운 과제를 반복적으로 강화합니다.

EditWorld는 인터랙티브한 세계를 생성하는 동안 편집 지시와 참조 이미지를 추가할 수 있는 비디오 월드 모델입니다. 시간에 따라 달라지는 조건과 장기 추론을 처리하기 위해 게이트형 인과 어텐션과 희소 컨텍스트를 사용합니다.

광범위한 평가 결과, 범용 AI가 전용 비전 모델의 영역으로 빠르게 확장되고 있음이 나타났다. 그러나 정밀한 기하 측정, 충실한 재구성, 시간적 일관성, 전문 지식이 필요한 세밀한 인식은 여전히 어렵다.

VideoPhysEdit는 영상의 외형만 바꾸는 데서 나아가, 강체 장면을 재구성하고 물리적 개입 이후의 움직임과 상호작용을 반영한 반사실 영상을 생성합니다.