Google TabFM, 표 형식 데이터에 제로샷 추론 적용
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.
더 보기Claude API 중계소 가이드, 검출 원리, LLM API 실측 노하우
총 2320개의 아티클
RSS 구독Google 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.
더 보기CompoWorld는 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.
더 보기FlashForward는 디노이징 과정에서 이미 계산된 KV 캐시를 재사용해 캐시 갱신 전용 모델 추론을 줄인다. 노이즈가 남은 이력으로 인한 외관과 움직임의 드리프트는 희소한 클린 앵커로 보완한다.
더 보기RLVR에서는 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.
더 보기VQS는 답변 다수결 대신 이미지를 구조화된 기록으로 바꾸고 고정 프로그램으로 질문과 답을 생성합니다. 사람 평가에서 94%의 정답률을 보였으며 Qwen3-VL을 10개 벤치마크에서 개선했습니다.
더 보기루프형 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.
더 보기SentZero는 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.
더 보기MassAlloc 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.
더 보기Skill2Env는 재사용 가능한 스킬에서 출발해 에이전트의 능력 요구를 반영한 과제와 실행 환경을 합성하는 프레임워크입니다. 솔버의 실행 궤적을 분석해 지나치게 쉬운 과제를 반복적으로 강화합니다.
더 보기EditWorld는 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.
더 보기광범위한 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.
더 보기VideoPhysEdit는 영상의 외형만 바꾸는 데서 나아가, 강체 장면을 재구성하고 물리적 개입 이후의 움직임과 상호작용을 반영한 반사실 영상을 생성합니다.
더 보기YuE2는 멜로디와 코드를 담은 읽을 수 있는 악보를 먼저 만든 다음, 이를 보컬과 반주가 포함된 완성곡 오디오로 변환한다. 기호 기반 작곡과 오디오 생성을 하나의 모델 안에서 연결하려는 접근이다.
더 보기TraceDance는 실제 에이전트 배포 과정에서 발견된 바람직하지 않은 행동을 맞춤형 평가 벤치마크로 바꾸는 시스템입니다. 전체 환경을 재현하지 않고 기록된 의사결정 지점에서 모델의 다음 응답을 평가합니다.
더 보기Physical Coding은 로봇의 세계 상태와 실행 절차를 확인하고 수정할 수 있는 프로그램으로 표현하는 접근법입니다. HexaAnything는 여러 도구와 외부 피드백을 연결해 환경 변화와 실행 실패에 대응하려 합니다.
더 보기EmbodiedMemory-Bench는 장기간 환경과 상호작용하는 구현형 에이전트의 기억 능력을 실행 가능한 과제로 평가하는 벤치마크입니다. 세밀한 시각 기억부터 과거 경험의 일반화까지 측정하고, 구조화된 외부 메모리 시스템 EMem과 EMem-8B도 제시합니다.
더 보기KAIST AI 연구는 자기 성찰을 오래 수행해도 소형 추론 모델이 도달할 수 있는 해답의 범위가 반드시 넓어지지는 않는다고 분석했다. FlyBy는 지식 부족이 감지될 때만 더 강한 모델에 질의한다.
더 보기베이징대학교 연구진은 후속 학습을 거친 모델이 무관한 프롬프트에 내놓는 단어 하나만으로도 다른 모델에 능력의 일부를 전달할 수 있음을 보였다. 연구진은 이 미세한 변화에 ‘행동의 그림자’라는 이름을 붙였다.
더 보기칭화대 NLP 그룹이 보상 모델링을 단일 값 예측이 아닌 조건부 밀도 추정으로 다루는 Diffusion Reward Model, DRM을 제안했다.
더 보기Duplex-MPE는 여러 사람이 함께 대화하는 상황에서 음성 비서가 답변할지, 침묵할지, 발화를 멈출지를 평가하는 벤치마크입니다. 더 자주 말하는 시스템이 더 나은 대화 참여자는 아니라는 점을 보여줍니다.
더 보기RoboFoundry는 컨텍스트, 메모리, 스킬, 실행 인터페이스를 하나의 ‘시스템-정책’으로 다루는 임바디드 에이전트 프레임워크를 제안한다. 여러 벤치마크에서 장기 기억과 작업 수행 능력의 개선을 보고했다.
더 보기