오늘의 한줄
오늘은 멀티모달·비디오 생성의 통합이 한층 가속화되는 동시에, 장기 추론·계획·안전성을 다루는 에이전트 연구가 본격적으로 벤치마크와 학습 프레임워크 중심으로 정교해졌습니다. 또한 RL과 선호학습, 자기증류를 활용해 LLM의 추론 효율과 일반화 능력을 끌어올리려는 시도가 두드러졌습니다.
📄Multimodal & Generative8
Cosmos 3: Omnimodal World Models for Physical AICosmos 3: 피지컬 AI를 위한 옴니모달 월드모델⭐ 8,774
Cosmos 3는 언어·이미지·비디오·오디오·액션을 하나의 mixture-of-transformers로 통합해 이해와 생성을 모두 수행하며, 오픈소스 기준 텍스트-투-이미지·이미지-투-비디오·정책 모델에서 최고 수준 성능을 기록했습니다.
AAD-1: Asymmetric Adversarial Distillation for One-Step Autoregressive Video GenerationAAD-1: 원스텝 자기회귀 비디오 생성을 위한 비대칭 적대적 증류⭐ 31
AAD-1은 인과적 생성기와 양방향 시공간 판별기를 분리한 비대칭 적대적 증류로 모션 붕괴와 학습 불안정을 줄여, 정적인 결과에 머물던 원스텝 자기회귀 비디오 생성의 실용성을 높였습니다.
Audio Interaction Model오디오 인터랙션 모델⭐ 35
Audio-Interaction은 SoundFlow 기반의 항상 켜진 perceive-decide-respond 루프로 오프라인 오디오 작업과 실시간 음성 대화·지시 수행을 하나의 온라인 대형 오디오 모델로 통합했습니다.
💡 이 범주의 논문들은 단순히 모달리티를 늘리는 수준을 넘어, 비디오·오디오·공간·기억을 하나의 연속적 상호작용 문제로 통합하려는 흐름을 보여줍니다. 특히 효율적인 조건 주입, 장기 메모리, 스트리밍 평가셋이 함께 등장하면서 이제는 '무엇을 생성하나'보다 '얼마나 오래, 일관되게, 맥락적으로 다루나'가 핵심 경쟁력이 되고 있습니다.
💻Code & Agents6
MLEvolve: A Self-Evolving Framework for Automated Machine Learning Algorithm DiscoveryMLEvolve: 자동화된 ML 알고리즘 발견을 위한 자기 진화 프레임워크⭐ 301
MLEvolve는 Progressive MCGS와 Retrospective Memory를 결합한 자기진화형 멀티에이전트 프레임워크로, 장기 ML 알고리즘 탐색에서 가지 간 정보 공유와 경험 재활용을 가능하게 합니다.
AutoLab: Can Frontier Models Solve Long-Horizon Auto Research and Engineering Tasks?AutoLab: 최전선 모델은 장기 자동 연구·엔지니어링 과제를 풀 수 있을까⭐ 92
AutoLab은 시스템 최적화부터 CUDA 커널 개선까지 36개 초장기 폐루프 작업을 묶은 벤치마크로, 최상위 모델의 성패를 가르는 핵심이 첫 시도 품질보다 반복 개선의 지속성임을 보여줍니다.
BraveGuard: From Open-World Threats to Safer Computer-Use AgentsBraveGuard: 오픈월드 위협으로 더 안전한 컴퓨터 사용 에이전트 만들기⭐ 34
BraveGuard는 최신 위협 신호를 실행 가능한 컴퓨터 사용 작업으로 변환하고 실제 에이전트 궤적에서 감독 신호를 추출해, 정적 벤치마크가 아닌 자기진화형 가드 모델 학습 루프를 제안합니다.
💡 에이전트 연구는 성능 향상 자체보다 장기 반복 개선, 적응형 계획, 스트리밍 협업, 안전 가드레일처럼 실제 배치에 필요한 운영 능력으로 무게중심이 이동하고 있습니다. 벤치마크와 학습 루프가 점점 더 현실적인 폐루프 환경을 반영한다는 점에서, 앞으로는 단발성 정답률보다 지속성·복원력·안전성이 더 중요한 지표가 될 가능성이 큽니다.
📄Robotics & RL1
GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video PriorsGRAIL: 3D 자산과 비디오 사전지식으로 만드는 휴머노이드 이동-조작⭐ 90
GRAIL은 3D 자산, 시뮬레이터 장면, 비디오 파운데이션 모델 priors를 결합해 실제 텔레오퍼레이션 없이도 휴머노이드의 전신 이동-조작 시연을 가상으로 합성하는 디지털 데이터 생성 파이프라인입니다.
💡 로보틱스에서는 실제 시연 수집의 병목을 줄이기 위해, 비디오 priors와 3D 자산을 활용한 가상 데이터 합성이 중요한 축으로 떠오르고 있습니다. 이는 휴머노이드 학습에서도 물리 실험 이전에 디지털 파이프라인으로 데이터 다양성과 확장성을 확보하려는 방향을 시사합니다.
👁️Computer Vision1
ZipSplat: Fewer Gaussians, Better SplatsZipSplat: 더 적은 가우시안으로 더 나은 스플랫⭐ 28
ZipSplat은 픽셀당 가우시안 예측 대신 토큰 클러스터링 기반으로 장면 복잡도에 맞춰 3D Gaussian 수를 조절해, 포즈·내부 파라미터 없이도 DL3DV와 RealEstate10K에서 최신 성능을 달성했습니다.
💡 3D 재구성은 더 큰 표현을 밀어 넣기보다 장면 복잡도에 맞춰 표현 예산을 재배치하는 방향으로 진화하고 있습니다. 즉, 효율성 개선이 단순 경량화가 아니라 표현 단위 자체를 재설계하는 문제로 옮겨가고 있습니다.
📄Training & Optimization3
ThoughtFold: Folding Reasoning Chains via Introspective Preference LearningThoughtFold: 자기성찰 선호학습으로 추론 사슬 접기⭐ 9
ThoughtFold는 정답 추론 경로 내부의 중복 단계를 자기성찰적으로 식별하고 부분 경로 선호를 학습해, RLVR이 강화하던 장황한 CoT를 줄이면서 더 효율적인 추론을 유도합니다.
Complexity-Balanced Diffusion Splitting복잡도 균형 확산 분할⭐ 11
CBS는 확산 타임라인을 근사 난이도가 비슷한 구간으로 나누고 각 구간에 필요한 용량만 배분해, 단일 대형 네트워크를 전 구간에 동일하게 쓰는 비효율을 줄이는 원리적 프레임워크를 제안합니다.
Self-Distilled Policy Gradient자기증류 정책 경사법⭐ 6
SDPG는 그룹 상대 검증기 이점, 정규화된 표준편차, 전체 어휘 기반 온폴리시 자기증류, 참조 정책 KL을 결합해 RLVR 및 기존 자기증류 대비 언어모델 강화학습의 안정성과 성능을 높였습니다.
💡 학습 방법론에서는 추론 경로의 중복 제거, 확산 구간별 용량 배분, 온폴리시 자기증류처럼 '같은 계산으로 더 잘 배우는 법'이 공통 화두입니다. 대형 모델 시대일수록 무작정 스케일업하기보다 학습 신호와 계산 배치를 정교하게 설계하는 접근이 더 큰 차이를 만들고 있습니다.
🗣️Language Models1
Reinforcement Learning Elicits Contextual Learning of Unseen Language Translation강화학습은 미지 언어 번역의 문맥 학습을 이끌어낸다⭐ 8
이 연구는 chrF 보상만으로 RL을 적용해 모델이 문맥 속 문법·언어 지식을 활용하는 메타스킬을 학습하도록 만들었고, 완전히 보지 못한 언어 번역에서 ICL과 지도 미세조정보다 더 나은 일반화를 보였습니다.
💡 언어모델 연구는 특정 언어를 더 많이 외우게 하는 대신, 문맥 속 규칙을 읽어 새로운 언어에도 적용하는 메타학습형 능력을 강화하는 쪽으로 나아가고 있습니다. 이는 저자원 언어 지원을 데이터 수집 문제만이 아니라 학습 목표 설계 문제로 다시 보게 만듭니다.