총 37건
Dexterous manipulation은 접촉-rich·동적 환경에서 파라미터 불확실성과 센서 노이즈에 취약하다. 기존의 domain randomization은 에피소드당 한 인스턴스만 변화를 주어 현실 다변성에 충분히 노출되지 않는 한계가 있다. DRIS는 다중 인스턴스를 병렬로 모델링하고 공유된 행동 아래 상태를 함께 진전시킴으로써 불확실한 물리적 변동성을 더 풍부하게 근사하고, 시뮬레이션-현실 간 차이를 줄여 제로샷 transfer를 가능하게 한다. 시뮬레이션 학습에서 DRIS 크기 N이 증가할수록 안정성과 일반화가 향상되며, 실세계에서의 미세 튜닝 필요를 완화한다.
RFT는 SFT보다 망각에 강하나 여전히 시각적 지속 학습의 도전인 CIL/DIL에서 망각이 발생한다. RaPO는 trajectory-level drift를 보상 신호로 활용하고 Cross-Task 보상 정규화를 도입하여 태스크 간 이동에도 지식을 안정적으로 보존한다.
Hacker News의 'Show HN' 포스트들을 LLM(DeepSeek V4 Flash)과 TrueSkill 알고리즘을 결합해 기술적 깊이와 독창성 기준으로 재정렬하는 파이프라인입니다.
병렬 접두사 검증(PARSE)과 무손실 컨텍스트 관리(LCM) 기술을 통해 LLM의 추론 효율성을 극대화하고 긴 컨텍스트 처리 능력을 개선했다.
AI 에이전트의 자율성이 확장됨에 따라 신뢰와 안전을 보장하기 위해 정적 승인을 넘어선 동적이고 세분화된 '에이전트 동의' 거버넌스 체계가 필수적이다.
NVIDIA가 개발한 RADIO 시리즈는 CLIP, DINO, SAM 등 서로 다른 강점을 가진 여러 시각 기반 모델을 지식 증류 기법으로 통합하여 범용성과 효율성을 극대화한 연구이다.
AI 코딩 에이전트의 성능을 여러 벤치마크로 분석한 결과, 예상과 달리 TypeScript가 속도와 효율성 면에서 가장 우수한 성과를 보였다.
AMD MI300X 환경에서 PyTorch 모델의 성능을 자율적으로 분석하고 최적화하여 Qwen2.5-7B 모델 기준 2.93배의 속도 향상을 달성한 ROCKET 에이전트 공개.
원격 서버에서 실행되는 Claude Code의 세션을 관리하고 텔레그램을 통해 원격으로 제어할 수 있는 경량 런처 도구가 공개됐다.
AI 채팅, RAG, 메모리 등 다양한 구성 요소의 보안 취약점을 테스트할 수 있는 15가지 오픈소스 벤치마크 타겟이 공개됐다.
코딩 에이전트가 이전 세션의 작업 맥락을 기억하여 대규모 저장소에서 탐색 시간을 줄이고 효율적으로 협업하게 돕는 도구 AICTX를 소개한다.
음성 입력 AI 스타트업 Wispr Flow가 힌글리시 모델 도입과 파격적인 현지 가격 정책을 통해 인도를 제2의 시장으로 성장시키고 있습니다.
Microsoft Word에 Claude AI를 설치하고 엑셀 데이터 연동, 웹 검색, 문서 서식 자동화 등 실무 생산성을 극대화하는 다양한 활용법을 소개한다.
Mistral의 Samuel Humeau가 오토레그레시브 트랜스포머 기반의 TTS 아키텍처와 신경망 오디오 코덱을 활용한 고성능 음성 생성 기술을 설명합니다.
OncoAgent는 AMD MI300X 하드웨어와 LangGraph를 활용하여 70개 이상의 암 진료 지침을 기반으로 한 프라이버시 보호형 오픈소스 종양학 의사결정 지원 시스템이다.
Moshi 개발자 Neil Zeghidour가 기존 계층형 음성 시스템의 지연 시간과 반이중 통신 방식의 한계를 지적하며 진정한 실시간 상호작용을 위한 기술적 과제를 제시합니다.
AR 비디오 확산 모델은 과거 프레임의 KV 캐시를 축적하는 동안 메모리 비용과 주의 계산량이 급증한다. 본 논문은 헤드별 기능 차이를 발견하고, static heads는 트랜지션 앵커 프레임에 집중하도록 고정적으로 보존하고, dynamic heads는 인접 프레임 간의 segment-wise 유사도에 기반한 동적 압축을 적용한다. 이를 통해 출력 품질은 유지하면서 KV 캐시 크기를 줄이고 추론 속도를 크게 향상시킨다.
Promptable segmentation의 수준에서 마스크의 공간적 정확도와 개념 적합성 간의 불일치를 드러낸다. CAFE 벤치마크는 속성 수준의 counterfactual 편집에 대해 모델이 본래의 개념을 faithful하게 ground하는지 혹은 시각적으로 눈에 띄는 cue에 의존하는지를 진단한다. 또한 agentic-verification을 통해 semantically invalid한 마스크를 거부하는 것이 가능하다는 것을 보여주며, grounding의 신뢰성 큰 방향을 제시한다.
CoT 추론은 문제의 난이도와 무관하게 길이가 증가하는 경향이 있다. 고정된 길이 제어는 다양한 프롬프트의 요구를 모두 충족하지 못하고, 학습 진행에 따라 최적의 정확도-효율성 트레이드오프가 달라진다. LEAD는 온라인으로 보상 가중치를 조정하고 문제별 목표 길이를 추정해 불필요한 추론을 줄이면서도 정확도를 유지한다.
대형 언어 모델 기반의 에이전트가 도구 호출 여부를 미세하게 조정하지 못하는 현상을 분석한다. WHEN2TOOL은 18개의 환경에서 도구 필요성의 결정 경계와 난이도를 제시하고, Prompt-only와 Reason-then-Act의 한계를 통해 어떤 상황에서 도구 호출이 불필요한지 파악한다. 숨겨진 표현(representation)에서 도구 필요성 신호가 선형적으로 해독 가능하다는 사실을 밝히고, 이를 활용한 PROBE&PREFILL이 도구 호출을 실질적으로 감소시키는 방법을 제시한다.
현대 생성 모델은 이미지의 글로벌 semantics에 의존하는 탐지기가 국소적이고 희박한 포렌식 신호를 놓칠 수 있다. Patch Forensic Signature(PFS)를 도입해 patch 단위 표현을 포렌식 공간으로 재매핑하고, Maximum Mean Discrepancy(MMD)로 patch-레벨 분포 차이를 누적하면, 실제 이미지와 AI생성 이미지 간의 분포 차이를 보다 안정적으로 포착할 수 있다. 이 접근은 다양한 생성 모델에 대해 일반화되고, 미세한 artefact가 분포 차이로 축적되어 최종 탐지 성능이 개선된다.
프리트레인된 LLM의 파라미터를 늘리지 않고도 테스트 시간 계산(TTC)을 증가시켜 추론 품질을 향상시킬 수 있다. middle 레이어를 재활용하는 구조적 분해와 게이팅, sparse 감독, 신뢰도 기반 중단으로 긴 루프를 안정적으로 학습할 수 있다. 결과적으로 다양한 백본에서 perplexity를 감소시키고 downstream 정확도를 향상시키며, 적은 학습 자원으로도 적응 효율성을 높인다.
멀티모달 AI에서 같은 물리 문제를 텍스트-기반과 시각적 표현으로 다르게 제시했을 때 모델이 동일한 추론 경로를 유지하는지 확인하는 것이 중요하다. SEEPHYS PRO는 네 가지 정렬된 표현(Level 1–4)을 통해 구조 인식, 변수 바인딩, 최종 렌더링의 각 단계에서 모달리티 간 갭을 분해해 분석한다. 이로써 단순한 최종 정답 정확도가 아니라 모달리티 전이에 따른 견고성까지 평가할 수 있다.
현실감 높은 3D embodied 학습 환경의 대규모 생성은 비용과 시간이 많이 든다. SIMWORLD STUDIO는 SIMCODER라는 코딩 에이전트를 통해 엔진 코드 수준의 환경을 자동으로 만들고, verifier 피드백으로 지속적으로 개선하며, 에이전트 학습과정에 맞춰 환경 난이도를 조정하는 커리큘럼으로 구현 효율과 일반화 성능을 동시에 높인다.
diffusion 기반 언어 모형은 병렬 디코딩의 이점을 얻지만 고정 길이 디코딩에 의존한다. 본 연구는 training-free Bayesian 구조적 추론으로 윈도우 확장, 블록 파티션 및 디코딩 순서를 함께 추론하여 길이 유연성과 일관성을 동시에 확보한다. CRP 스타일의 파티션과 컨텍스트 인식 스케줄링으로 분절된 블록 간의 골격을 유지하면서 생성 품질을 향상한다.
토크나이저 없는 바이트-레벨 모델은 긴 바이트 시퀀스로 인해 계산 비용이 증가한다. Patch 기반 접근은 패치 수를 줄여 효율성을 높이지만 패치 lag이 커지면 품질 저하가 발생한다. Scratchpad Patching(SP)은 패치 내부에 transient scratchpad를 삽입해 패치 표현을 점진적으로 갱신함으로써 patch lag를 완화하고, patch 크기와 무관하게 정보가 풍부한 영역에 계산을 집중할 수 있게 한다. 이로써 Patch 기반 모델이 더 큰 패치를 사용하더라도 품질 손실을 줄이고 KV-cache 및 추론 compute를 크게 절감한다.
다국어 대형언어모델의 수학 추론은 일반적으로 고자원 언어에서만 우수하다. COPSD는 같은 모델을 학생과 교사로 사용하되, 교사에게 영어 등 고자원 언어의 privileged 정보를 제공해 저자원 언어에서의 추론 성능을Dense하게 향상시킨다. 이로써 저자원 언어에서도 더 나은 문제해결 흐름을 얻도록 한다.
다양한 과학 계산 패턴에서의 커널 최적화를 LLM으로 자동 탐색하는 연구는 CUDA 중심 벤치마크에 편향되어 있다. METAL-SCI는 six regime의 10개 태스크를 통해 Apple Silicon의 Metal 커널 최적화 탐색 공간을 구조적으로 시험하며, held-out gate ΦT를 통해 일반화와 안정성을 함께 평가한다.
대형 언어 모델에 대한 RL은 탐색-활용 균형이 점차 깨지며 엔트로피가 붕괴하는 현상을 보인다. Entrocraft는 엔트로피 곡선을 사용자가 정의한 일정으로 조정하는 간단한 거절 샘플링 기반 컨트롤러를 제공하여, 엔트로피 드리프트를 억제하고 장기 학습에서의 성능 향상을 가능하게 한다. 이는 엔트로피 정규화나 클리핑 없이도 동작하며, 기존 RL 알고리즘의 개선 여지를 확장한다. 선형(linear) 엔트로피 감소 일정이 가장 우수한 성능을 보였고, 4B 모델이 8B baseline을 능가하는 사례를 보이는 등 실험적으로 검증되었다.
multimodal 대형 언어 모델(MLLM)의 정렬은 보상 모델(RM)의 신뢰성에 의존한다. 기존의 단일 스텝 평가기는 시각적 맥락에 대한 세부 검증보다 텍스트 편향에 의존하는 경향이 있다. DeltaRubric은 평가를 plan-and-execute 절차로 재구성하여, Disagreement Planner가 인스턴스 특화 검증 체크리스트를 생성하고, Checklist Verifier가 이를 이미지와 질문에 대해 실행하도록 한다. 이 구조는 visual grounding을 강제하고 lazy judging을 완화하며, Planner와 Verifier를 함께 최적화하는 다중역 RL로 학습한다. VL-RewardBench에서 4B 모델은 +22.6포인트, 8B 모델은 +18.8포인트의 전반적 정확도 향상을 달성했고, Multimodal RewardBench 및 텍스트-전용 RewardBench에서도 일관된 개선을 보였다.
멀티모달 대형언어모델은 실제 세계의 노이즈가 많은 시각 입력에서 불안정하다. ROMA는 critic-free GRPO 기반 RL 파인튜닝에 시각 열화에 대한 견고한 추론을 주입하기 위해 dual-forward-pass, token-level KL invariance, adversarial 다중 뷰 정규화, 교육 보조 그래디언트를 결합한다. 이로써 깨끗한 입력 성능을 유지하면서 seen/unseen corruptions에 대한 견고함이 향상된다.
자연어만으로는 현실 세계의 복잡한 문제 공간을 포착하기에 한계가 있다. 본 논문은 언어 표현 디자인을 통해 내부 스키마를 형성하고 지식을 활성화·구성하는 방식이 LLM의 성능과 일반화 능력을 크게 확장할 수 있음을 주장한다. Level 0(자연어)에서 Level 3(과학적 형식화·월드 모델링)까지의 스키마 설계 축을 제시하고, 이를 검증하는 실험 및 도메인 로드맵을 제시한다.
긴 맥락에서 KV 캐시가 기하급수적으로 커지며 주의 집중이 분산된다. 본 연구는 학습 가능한 retention 게이트로 캐시 엔트리를 글로벌 예산 아래 동적으로 선택·할당하고, 필요 토큰의 유지가 불필요 토큰의 제거보다 더 큰 효율·정확도 이득을 낳는다는 점을 보여준다. 이로써 풀-캐시 인퍼런스에 근접하거나 이를 넘어서는 성능을 더 적은 KV 메모리로 달성할 수 있다.
이벤트 소싱 아키텍처와 시뮬레이션 테스팅을 결합하여 자율형 AI 에이전트의 신뢰성을 높인 유럽 부동산 플랫폼의 실무 사례이다.
Claude Code가 외부 도구 및 데이터 소스와 연결될 수 있도록 지원하는 오픈 표준인 MCP의 설정, 관리 및 컨텍스트 최적화 방법을 다룹니다.