아티클 & 가이드

REBASE는 한 장의 주석된 참조 이미지로 새로운 대상을 분할하는 training-free 프레임워크입니다. 참조 이미지의 배경 특징 부분공간을 제거해, 배경 때문에 생기는 잘못된 이미지 간 유사도 매칭을 줄입니다.

Xiaomi-Robotics-1은 로봇 학습에서도 데이터와 모델 규모의 확대가 성능 향상으로 이어지는지 보여주려는 VLA 기반 모델이다. 10만 시간 이상의 실제 조작 궤적을 사전학습하고, 실제 로봇과 자연어 명령에 맞춰 후학습한다.

KAIST AI의 연구는 VLA 모델에서 카메라 관측 좌표계와 로봇 행동 좌표계가 어긋나는 문제를 다룬다. Robot-centric pointmaps는 각 픽셀에 로봇 좌표계 기준 3D 위치를 담아 기존 2D VLA에 비교적 쉽게 결합할 수 있는 표현이다.

RAGU는 지식 추출과 그래프 정제를 분리한 오픈소스 GraphRAG 엔진이다. 전용 7B 모델 Meno-Lite-0.1을 통해 대형 모델 의존도를 낮추는 것이 핵심이다.

이 논문은 보안 에이전트 평가에서 최고 성공률만 보는 방식의 한계를 지적하고, 비용 대비 성공이라는 관점을 제안한다. 공격형 과제와 방어형 SOC 조사 과제는 확장 양상이 서로 다르게 나타났다.

NAVER AI Lab의 OPD²는 교사 모델의 전체 출력 분포를 그대로 따라 하지 않고, 추론 튜닝된 교사와 원래 베이스 모델 사이의 차이를 증류 신호로 사용한다. 논문은 수학, 과학, 코드 추론 벤치마크에서 기존 on-policy distillation보다 일관된 개선을 보였다고 설명한다.

Qwen이 공개한 Qwen-Music 기술 보고서는 보컬이 포함된 고음질 노래 생성을 목표로 한다. 핵심은 멜로디 토큰 기반 계획을 먼저 수행한 뒤 전체 곡과 스테레오 음향을 완성하는 구조다.

S1-Omni는 AI for Science 분야의 분산된 데이터 형식과 작업을 하나의 통합 추론 모델로 연결하려는 시도다. 200개 이상의 과학 작업을 다루며 모델 가중치, 추론 코드, 일부 데이터셋도 공개됐다.

이 논문은 Muon을 희소 보상 에이전트 강화학습에 적용해, 성능 향상이 옵티마이저 자체뿐 아니라 advantage estimator와 learning rate에 크게 좌우된다는 점을 보여준다.

새 논문은 협상 값이 암호화돼 있어도 양보 속도, 제안 궤적, 수렴 패턴을 통해 사적 제약이 추론될 수 있다고 지적한다. 연구진은 협상 성능을 유지하면서 추론 공격을 줄이는 적응형 확률 정책을 제안했다.

NVIDIA가 Hugging Face에 로봇과 비전 AI를 위한 40억 파라미터 오픈 월드 모델 Cosmos 3 Edge를 공개했다. 이 모델은 엣지 장치에서 장면 이해, 미래 예측, 시뮬레이션, 행동 생성을 연결하는 것을 목표로 한다.

Grab은 자율형 AI 워크로드를 안전하게 운영하기 위해 Palana를 구축했다. Kubernetes 격리, 비밀정보 중개, 중앙화된 이그레스 제어와 감사 기능을 결합한 플랫폼이다.

xHC는 Hyper-Connections를 기존의 N=4 한계 너머로 확장해, 잔차 스트림 폭을 대규모 언어 모델 사전학습의 새로운 스케일링 축으로 만들려는 연구입니다. N=16 상태를 유지하면서 일부 스트림만 갱신해 성능과 비용의 균형을 맞춥니다.

Hugging Face Daily Papers에 소개된 논문은 MoE 기반 루프형 Transformer 모델군인 Loopie를 제안한다. 저자들은 동일한 사전학습 계산 예산에서 일반 Transformer 기준 모델을 뛰어넘고, 후처리 학습을 통해 강한 추론 능력을 얻었다고 설명한다.

이 논문은 체스를 통제된 실험 환경으로 삼아 사전학습의 선택이 강화학습 이후 추론 성능과 학습 효율에 어떤 영향을 주는지 분석합니다.

Cura 1T는 의료를 단순 질의응답이 아니라 대화, 추론, 진단, 도구 사용이 함께 맞물리는 업무로 본다. 능력별로 목표를 정해 반복 개선하는 훈련 루프가 핵심이다.

AV-Flamingo는 짧은 클립이 아니라 길고 복잡한 실제 음성-비전 영상을 이해하도록 설계된 오픈 대형 모델이다. 대규모 학습 데이터, 단계적 커리큘럼, 시간축에 맞춘 추론으로 정렬성과 해석 가능성을 높였다.

Recursive Harness Self-Improvement는 에이전트를 감싸는 실행 하네스를 고정된 보조물이 아니라 최적화 대상로 본다. 논문은 몇 번의 가벼운 반복만으로 낮은 추론 강도의 에이전트 성능을 높이고 비용을 줄일 수 있다고 보고했다.

DSWorld는 자율 데이터 과학 에이전트에 세계 모델 개념을 적용해, 비용이 큰 실행 전에 작업 결과를 예측한다. 논문은 강화학습 기반 학습을 약 14배, 검색 기반 추론을 약 3~6배 빠르게 했다고 보고한다.

Kimi가 사용자 요청 급증으로 기존 컴퓨팅 클러스터가 한계에 가까워졌다며 소비자 대상 신규 구독을 일시 중단했다. 동시에 컴퓨팅 자원 확충과 Kimi 기본 권한·Kimi Code 권한의 분리 관리를 예고했다.

프랑스와 이탈리아 연구진은 AI 조언이 있으면 사람들의 ‘모르겠다’는 응답이 크게 줄고 정확도도 떨어진다고 밝혔다. 반면 자신감은 오히려 크게 높아졌다.