아티클 & 가이드

이 논문은 Masked Diffusion Language Models가 텍스트 기반 월드 모델에서 자기회귀 모델의 좌에서 우로 생성 편향을 줄일 수 있다고 주장한다. 양방향 denoising을 통해 도구 스키마, 이전 턴, 도메인 규칙, 기대 결과 같은 전역 앵커와 더 잘 맞춘다는 설명이다.

Open-AoE는 1인칭 영상 데이터를 모으는 데서 끝나지 않고, 구조화와 학습 활용까지 연결하는 공개 인프라를 제안한다.

Distilled Reinforcement Learning은 결과 보상에 의존하는 강화학습과 교사 분포를 무조건 모방하는 온라인 증류 사이의 간극을 겨냥한다. 교사 모델의 선호를 토큰 수준의 정책 그래디언트에 선택적으로 반영한다.

이 연구는 긴 녹음에서 무엇을 말했는지뿐 아니라 언제 발생했는지도 답하는 음성 LLM을 제안한다. 최대 120분 입력에 대해 명시적인 타임스탬프가 포함된 응답을 생성할 수 있다. 핵심은 주기적 시간 마커를 연속 음성 토큰과 교차 배치하고, 대규모 합성 감독으로 학습하는 방식이다.

HarmoHOI는 다중 시점 HOI 합성에서 가장 어려운 두 문제, 즉 화면 일관성과 3D 운동 정합을 동시에 다룬다. RGB 비디오와 3D 포인트 트랙을 하나의 확산 프레임워크로 공동 생성하는 방식이 핵심이다.

이 논문은 오프폴리시 응답을 그대로 모방하지 않고, 각 토큰이 올바른지 판단하도록 학습하는 TOPL을 제안한다. 요약과 번역에서 분포 변화에 더 강한 성능을 보였다.

TimeLens2는 영상 시간적 그라운딩을 가변 개수의 구간 집합 예측 문제로 다루며, 모델이 무엇이 일어났는지뿐 아니라 그 근거가 언제 나타났는지도 제시하도록 한다. 2B, 4B, 8B 모델은 각각 Qwen3-VL 백본 대비 뚜렷한 성능 향상을 보였다.

3D-Fit은 구조 기반 신약 설계에서 범용 LLM이 3차원 공간 제약을 만족하는 리간드를 생성할 수 있는지 평가하는 벤치마크다. 연구 결과는 가능성을 보여주지만, 전용 확산 모델과의 격차도 분명히 드러낸다.

EvolvingWorld는 단순한 대사 생성이 아니라, 이야기가 진행될수록 인물과 세계 상태가 함께 갱신되는 구조를 제안한다. 정적인 페르소나 모방을 넘어 장기 일관성을 다루려는 시도다.

ReflectWorld-MM은 연속되는 영상 속에서 누가 다시 나타났는지, 무엇이 변했는지를 엔티티 단위로 기억하려는 시스템이다. 단순 저장이 아니라, 세계 경험을 구조화해 축적하는 방향으로 비디오 메모리를 재설계했다.

HOMIE는 인물의 정체성을 유지하면서 사물과의 상호작용까지 더 정확하게 생성하려는 영상 개인화 프레임워크다. 멀티모달 대형 모델의 정보를 생성 과정에 더 잘 연결한다.

Apple-PI는 영상이 그럴듯한지만 보지 않고, 물리 법칙을 따라 생성됐는지도 묻는 벤치마크입니다. 결과뿐 아니라 그에 이르는 추론 과정까지 함께 평가합니다.

DiffGI는 의류처럼 얇은 쉘 구조와 비다양체 표면을 기존 체적 표현이 잘 다루지 못한다는 문제에서 출발합니다. 연속 2D TSDF와 미분 가능한 Marching Squares를 결합해 2D 잠재공간과 3D 표면 최적화를 직접 연결합니다.

JoyNexus는 VLA 모델의 지도 미세조정, 강화학습, 평가를 공유 인프라 기반의 멀티테넌트 서비스로 구성해 GPU 활용률과 운영 효율을 높이려는 접근이다.

207개 GitHub 프로젝트의 리뷰 완료 Pull Request 102만 건을 분석한 연구에 따르면, AI Agent 참여는 코드 리뷰 결정을 빠르게 만들지만 품질 향상으로 일관되게 이어지지는 않는다.

이 논문은 RLVR에서 흔히 쓰이는 엔트로피 기반 advantage shaping이 유용한 불확실성과 해로운 혼란을 구분하지 못한다는 점을 지적한다. Contrastive Policy Optimization은 참조 유도 생성과 일반 생성의 token 단위 분포 차이를 활용해 더 정확성에 가까운 학습 신호를 만든다.

SVR-R1은 추론 단계의 자기 점검을 강화학습 훈련 루프 안으로 끌어들인 프레임워크다. 모델은 답을 낸 뒤 스스로 Yes/No 판단을 하고, No라면 다시 생각한다.

RecGPT-V3는 지속적으로 진화하는 사용자 메모리, Semantic IDs 기반 상품 grounding, 잠재 토큰 추론을 결합한 산업용 LLM 추천 시스템이다. 타오바오 ‘Guess What You Like’ 피드 적용 결과 GMV +3.97%, 서빙 리소스 소비 52.4% 감소가 보고됐다.

이 연구는 플라즈마 진단 모델을 깨끗한 센서 데이터가 아니라 실제에 가까운 고장 조건에서 평가한다. 특히 플라즈마 붕괴에 가까운 시점의 센서 손상이 시계열 모델 성능을 크게 무너뜨릴 수 있음을 보였다.

Agon은 비슷한 실력과 다른 행동 특성을 가진 두 모델을 같은 문제에서 경쟁시켜, 서로를 추론 품질의 암묵적 평가자로 활용하는 강화학습 방식이다.

RESOURCE2SKILL은 튜토리얼 영상, 코드 저장소, 문서와 참고 결과물을 소프트웨어 에이전트가 재사용할 수 있는 실행형 스킬로 변환하는 프레임워크다.