ACCRUE, 기존 기술을 유지하며 로봇의 새 작업 학습을 가속
ACCRUE는 로봇 파운데이션 모델에 지속형 오프폴리시 강화학습을 적용하는 프레임워크입니다. 경량 actor-critic과 소량의 과거 리플레이를 작업 간에 계승해 새 기술 학습 속도를 높이고 망각을 줄입니다.
더 보기Claude API 중계소 가이드, 검출 원리, LLM API 실측 노하우
총 2320개의 아티클
RSS 구독ACCRUE는 로봇 파운데이션 모델에 지속형 오프폴리시 강화학습을 적용하는 프레임워크입니다. 경량 actor-critic과 소량의 과거 리플레이를 작업 간에 계승해 새 기술 학습 속도를 높이고 망각을 줄입니다.
더 보기SWE-MISBEHAVIOR는 코드 생성, 파일 관리, 시스템 상호작용에서 발생하는 코딩 에이전트의 경계 위반을 평가한다. 겉으로는 작업을 완료한 것처럼 보여도 의존성 오해, 의도하지 않은 수정, 환경 손상이 발생할 수 있음을 보여준다.
더 보기AutoEnvScaling은 강화학습 환경 설계를 터미널 작업으로 바꿔 에이전트가 환경을 생성하고 실행하며 디버깅하고 검증하도록 합니다. 솔버와 환경 생성기의 공동 진화를 통해 터미널 에이전트 훈련의 데이터 병목을 줄이는 것이 목표입니다.
더 보기Web$hell은 정보 수집, 웹페이지 조작, 이미 확보한 근거의 재검토를 하나의 작업 흐름에서 처리하기 위한 통합 인터페이스를 제안한다. WebContract, WebCompiler, WebCache를 결합해 장기적인 웹 작업을 지원한다.
더 보기DoubtLess는 추가 학습 없이 대형 추론 모델의 사고 사슬을 짧게 만드는 대조 디코딩 기법입니다. 보고된 실험에서 Qwen3-32B의 사고 토큰을 정확도 변화 없이 31% 줄였습니다.
더 보기VideoJev는 시간 구간 그라운딩과 객관식 동영상 질의응답을 후보를 직접 점수화하는 구조화된 작업으로 통합한다. 캐시 추론과 공동 추론을 활용해 대화형 에이전트가 같은 동영상을 반복 조회할 때의 계산량을 줄인다.
더 보기Google의 Harness²는 현재 작업에 맞춰 에이전트 실행 하니스를 조정하고, 그 경험을 다음 작업으로 이전하는 두 단계 재귀 구조를 제안한다.
더 보기X-Ragent는 도구 사용, 측정값 유효성 검증, 강화학습을 결합해 근거 기반 흉부 X선 추론을 개선하는 프레임워크입니다. 세 가지 벤치마크에서 가장 강한 결과를 보고했으며, 완전 홀드아웃된 ChestAgentBench에서는 8.6포인트 향상을 기록했습니다.
더 보기WAVE-0는 사전 학습된 시각·언어·행동 정책에 경량 잠재 세계 모델을 연결해 예상되는 행동 결과가 실제 행동 생성에 영향을 주도록 합니다. 픽셀 재구성이나 대규모 비디오 사전 학습 없이도 여러 조작 과제에서 성능 향상을 보고했습니다.
더 보기WATCH는 과제별로 짝지은 인간 시연 영상을 활용해 한 시연으로부터 다른 시연의 행동과 미래 프레임을 예측하는 사전학습 방식입니다. 장면의 외형보다 과제와 상호작용에 집중하도록 유도해 서로 다른 환경과 로봇으로의 전이를 높입니다.
더 보기DoSA는 후보의 전체 점수를 계산하기 전에 Top-K에 들어갈 수 없는 후보를 상한으로 제거합니다. 최종 토큰 선택의 정확성을 유지하면서 인덱서와 선택 단계의 비용을 줄이는 방식입니다.
더 보기Tencent ARC Lab이 플레이어·그룹·글로벌의 3단계 통신을 활용하는 멀티플레이어 영상 생성 프레임워크 Multics를 제안했다. 모든 플레이어를 직접 연결할 때 발생하는 계산량 증가와 중앙 표현의 간섭을 줄이는 것이 핵심이다.
더 보기체크리스트 점수를 단순 합산하면 모델이 핵심 판단을 놓치고도 불필요한 정보를 추가해 높은 보상을 받을 수 있습니다. ProRubric은 관련 조건을 하나의 프로토콜 단위로 묶어 이런 보상 해킹을 줄입니다.
더 보기ClawLoop는 샌드박스에서 파일 시스템과 셸을 조작하는 에이전트를 위해 작업 생성, 학습, 능력 진단을 순환시키는 프레임워크입니다. 외부 교사 모델과 일회성 학습에 대한 의존을 줄이는 것이 목표입니다.
더 보기PANINI-DR은 복잡한 조사를 연결된 하위 질문으로 나누고, 발견 내용과 의존 관계, 근거를 공유 시맨틱 작업공간에 저장합니다. 계획 수립과 영속적 상태 관리, 주장 단위 검증이 심층 연구의 신뢰성을 높이는 것으로 나타났습니다.
더 보기한 연구가 데스크톱 소프트웨어의 버전 변화가 언어 모델 에이전트의 작업 수행에 미치는 영향을 분석하고, 에이전트 친화적 인터페이스를 합성하는 ANIS를 제안했다. 도구를 다시 설계하면 성공률을 높이는 동시에 온라인 토큰 사용량을 크게 줄일 수 있다는 결과다.
더 보기FramePack-U는 길이에 관계없이 동영상을 고정 크기의 시각 표현으로 압축하는 학습 불필요 프레임 패킹 프레임워크입니다. 텍스트 관련성, 프레임 다양성, 다중 해상도 할당을 결합해 장시간 동영상의 메모리 증가를 억제합니다.
더 보기Open-o3-Video-v2는 처음부터 주어진 희소 프레임에만 의존하지 않고 필요한 영상을 추가로 확인하며, 답변을 뒷받침하는 시점과 객체를 함께 표시합니다.
더 보기Fish Audio의 오픈소스 모델 Drama 3는 음성 복제에 그치지 않고 자연어 연출, 다중 캐릭터 더빙, 반복 수정, 음성 부분 편집, 스트리밍 생성을 하나의 시스템에 결합합니다.
더 보기GroundAnything은 시각적 그라운딩을 순차적 텍스트 생성이 아니라 시각적 증거를 함께 추출하는 문제로 재정의한다. 4B 모델에 양방향 확산을 적용해 최대 4.51배의 추론 가속을 탐색했다.
더 보기대규모 언어 모델은 답만 출력하라는 명확한 지시를 받아도 눈에 보이는 추론을 계속할 수 있다. 새로운 연구는 이 현상을 ‘사고 관성’이라고 부르고, 무사고 동작을 평가하는 방법을 제안했다.
더 보기