오늘의 한줄
오늘은 에이전트 시스템을 모델 바깥의 실행 계층까지 확장해 평가·보안·검색 효율을 다루는 연구와, 비전·비디오 모델이 3D 이해와 장기 일관성까지 넓혀가는 흐름이 두드러졌습니다. 동시에 RL과 지식 증류가 검색, 추론, 프레임 선택, 시각적 사고를 더 실용적인 형태로 압축하는 방향도 인상적입니다.
💻Code & Agents6
COLLEAGUE.SKILL: Automated AI Skill Generation via Expert Knowledge Distillation전문가 흔적에서 자동으로 AI 스킬을 만드는 COLLEAGUE.SKILL⭐ 18,770
COLLEAGUE.SKILL은 사람·역할의 이질적 작업 흔적을 capability/behavior 두 트랙의 버전형 스킬 패키지로 자동 증류해, 점검·수정 가능하면서 에이전트가 바로 활용할 수 있는 전문가 기반 스킬 생성 워크플로를 제시했습니다.
From Model Scaling to System Scaling: Scaling the Harness in Agentic AI모델 스케일링에서 시스템 스케일링으로, 에이전트 하네스 확장⭐ 711
이 논문은 에이전트 성능 병목이 모델 자체보다 메모리·도구·오케스트레이션·검증을 묶는 하네스 설계에 있다고 보고, 이를 독립적 최적화 대상인 'system scaling'으로 재정의했습니다.
GrepSeek: Training Search Agents for Direct Corpus Interaction코퍼스와 직접 상호작용하는 검색 에이전트 학습, GrepSeek⭐ 22
GrepSeek는 검색 인덱스 대신 셸 명령으로 코퍼스를 직접 탐색하는 DCI 에이전트를 제안하고, Tutor-Planner 기반 콜드스타트와 2단계 학습으로 대규모 코퍼스 RL의 불안정을 줄였습니다.
💡 에이전트 연구의 초점이 이제 모델 성능 자체보다 스킬 패키징, 하네스 설계, 보안, 복구, 평가 인프라로 빠르게 이동하고 있습니다. 실제 배포 관점에서는 '무엇을 할 수 있는가'보다 '어떻게 통제·감사·회복 가능한가'가 핵심 경쟁력이 되고 있음을 보여줍니다.
👁️Computer Vision5
VLM3: Vision Language Models Are Native 3D Learners비전-언어 모델은 본래 3D 학습기다: VLM3⭐ 58
VLM3는 초점거리 통일, 텍스트 기반 픽셀 참조, 데이터 혼합·스케일링만으로 표준 VLM이 다양한 3D 과제를 학습할 수 있음을 보였고, 깊이 추정 정확도를 0.84에서 0.90으로 끌어올렸습니다.
GGT-100K: Generative Ground Truth for Generalizable Real-World Image Restoration실세계 이미지 복원을 위한 생성형 정답 데이터셋 GGT-100K⭐ 29
GGT-100K는 Nano-Banana-2와 VLM 적응형 프롬프팅으로 실제 저화질 이미지의 고품질 타깃을 생성해 10만 쌍 규모 복원 데이터셋을 구축하며, 실세계 복원 일반화의 데이터 병목을 정면으로 풀었습니다.
SurGe: Improved Surface Geometry in Point Maps포인트맵의 표면 기하를 개선한 SurGe⭐ 27
SurGe는 로컬 표면 오차를 드러내는 point map normal metric과 point gradient matching loss, NAD 디코더를 도입해 8개 제로샷 단안 3D 벤치마크에서 일관된 기하 품질 향상을 보였습니다.
💡 비전 분야는 더 큰 모델보다 데이터 구성, 평가 지표, 상호작용 방식의 재설계로 일반화 성능을 끌어올리는 흐름이 강합니다. 특히 3D 이해, 복원, 카운팅, 생의학 분할까지 문제별 전용 설계를 줄이고 범용 표현을 활용하려는 방향이 뚜렷합니다.
🗣️Language Models1
dMoE: dLLMs with Learnable Block Experts학습 가능한 블록 전문가를 갖춘 확산 LLM용 dMoE⭐ 21
dMoE는 확산 LLM의 블록 병렬 디코딩과 토큰 단위 MoE 라우팅의 불일치를 블록 단위 전문가 분포로 해결해, 활성 전문가 수를 줄이며 메모리 병목을 완화하는 간단한 MoE 프레임워크를 제안했습니다.
💡 언어모델 스케일링은 단순 파라미터 확장보다 추론 구조와 하드웨어 친화적 라우팅을 함께 최적화하는 단계로 넘어가고 있습니다. dLLM처럼 생성 패러다임이 바뀌면 MoE 설계 원칙도 다시 써야 한다는 점이 인상적입니다.
📄Robotics & RL1
VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies저지연 비전-언어-행동 정책을 위한 시각 중간 추론, VisualThink-VLA⭐ 15
VisualThink-VLA는 텍스트 CoT 대신 공간 정밀도를 유지하는 시각 증거 토큰과 선택적 라우팅을 사용해, 실시간 폐루프 제어에 맞는 저지연·고성능 VLA 정책을 구현했습니다.
💡 로보틱스에서는 텍스트 추론을 그대로 이식하기보다 제어에 맞는 시각적 중간표현으로 바꾸는 접근이 실용성을 높이고 있습니다. 즉, '설명 가능한 추론'보다 '지연 없이 행동에 도움이 되는 추론'이 더 중요해지고 있습니다.
📄Training & Optimization3
LongTraceRL: Learning Long-Context Reasoning from Search Agent Trajectories with Rubric Rewards검색 에이전트 궤적과 루브릭 보상으로 배우는 장문맥 추론, LongTraceRL⭐ 16
LongTraceRL은 검색 에이전트 궤적으로 고혼동 distractor를 만들고, 추론 체인의 gold entity를 활용한 rubric reward를 설계해 장문맥 RLVR의 중간 추론 감독을 강화했습니다.
iVGR: Internalizing Visually Grounded Reasoning for MLLMs with Reinforcement Learning강화학습으로 시각 접지 추론을 내재화하는 iVGR⭐ 4
iVGR는 박스 기반 시각 접지를 추론 시 강제하는 대신, RL 기반 이중 스트림 학습으로 위치 파악 능력을 텍스트 CoT 내부에 내재화해 MLLM의 세밀한 시각 추론을 개선했습니다.
SAAS: Self-Aware Reinforcement Learning for Over-Search Mitigation in Agentic Search에이전트 검색의 과도한 탐색을 줄이는 자기인식 강화학습, SAAS⭐ 5
SAAS는 search-enabled/disabled rollout 대비로 탐색 경계를 학습하고 경계 인식 보상을 부여해, 정확도를 유지하면서도 불필요한 검색과 추론 비용을 줄이는 자기인식형 검색 에이전트를 만듭니다.
💡 RL은 정답 보상만 주는 방식에서 벗어나 중간 추론 과정, 탐색 경계, 시각 접지 같은 잠재 능력을 더 세밀하게 학습시키는 도구로 진화하고 있습니다. 결국 성능 향상 포인트가 모델 크기보다 보상 설계와 학습 신호의 해상도에 있음을 시사합니다.
📄Multimodal & Generative4
One-Forcing: Towards Stable One-Step Autoregressive Video Generation안정적인 원스텝 자기회귀 비디오 생성을 향한 One-Forcing⭐ 30
One-Forcing은 DMD 목적에 보조 GAN 손실을 결합해 원스텝 자기회귀 비디오 생성의 흐릿함과 약한 동작 문제를 줄였고, VBench 총점 83.76으로 해당 설정의 SOTA를 달성했습니다.
DecMem: Towards Minute-Long Consistent World Generation with Decoupled Memory분리형 메모리로 분 단위 일관된 월드 생성을 향한 DecMem⭐ 10
DecMem은 Sparse Global Memory와 Anchored Local Memory를 분리한 메모리 구조로 장기 비디오·월드 생성의 계산 비효율과 attention dispersion을 줄여, 장시간 시공간 일관성을 크게 높였습니다.
PEEK: Picking Essential frames via Efficient Knowledge distillation효율적 지식 증류로 핵심 프레임을 고르는 PEEK⭐ 4
PEEK는 강한 교사의 캡션 조건부 프레임 중요도 순위를 경량 시간 모델로 증류해, 1~2프레임 같은 극저예산 설정에서도 ActivityNet Captions와 MSR-VTT에서 강한 캡셔닝 성능을 냈습니다.
💡 멀티모달·생성 연구는 더 빠른 샘플링과 더 긴 일관성이라는 상반된 목표를 동시에 추구하고 있습니다. 한편으로는 원스텝 생성, 다른 한편으로는 장기 메모리와 불확실성 인식을 통해 실제 사용 가능한 비디오·VLM 시스템으로 가는 중간 단계가 다져지고 있습니다.