오늘의 한줄
오늘 논문들은 장문 멀티모달 처리, 자가개선형 에이전트, 그리고 실시간 생성·월드모델링으로 AI 시스템의 실행력과 지속성을 끌어올리려는 흐름을 보여줍니다. 특히 학습 단계뿐 아니라 테스트타임 최적화, 벤치마크 정교화, 데이터 자동구축이 실제 성능 격차를 줄이는 핵심 축으로 부상하고 있습니다.
📄Multimodal & Generative8
Kwai Keye-VL-2.0 Technical ReportKwai Keye-VL-2.0 기술 보고서⭐ 785
Keye-VL-2.0-30B-A3B는 GQA 멀티모달 구조에 DSA를 최초 적용해 256K 무손실 컨텍스트로 장시간 비디오를 처리하고, MOPD와 Context-RL로 멀티태스크 정렬의 망각 문제까지 줄인 오픈소스 MoE 모델입니다.
SCAIL-2: Unifying Controlled Character Animation with End-to-end In-Context Conditioning엔드투엔드 인컨텍스트 조건화로 제어형 캐릭터 애니메이션을 통합한 SCAIL-2⭐ 156
SCAIL-2는 포즈나 마스크 같은 중간표현 없이 구동 영상을 직접 조건으로 넣는 엔드투엔드 캐릭터 애니메이션 프레임워크이며, MotionPair-60K와 in-context mask conditioning으로 이질적 모션 전이 과제를 하나로 묶었습니다.
ABot-Earth 0.5: Generative 3D Earth Model생성형 3D 지구 모델 ABot-Earth 0.5⭐ 104
ABot-Earth 0.5는 위성영상만으로 3D Gaussian Splatting 기반 대규모 도시 환경을 제곱킬로미터당 10분 이내에 생성해, 웹 실시간 시각화와 UAV 내비게이션용 시뮬레이션 샌드박스를 동시에 겨냥합니다.
💡 멀티모달 연구는 더 긴 컨텍스트, 더 빠른 추론, 더 통합된 표현으로 이동하고 있습니다. 장문 비디오 이해부터 3D 지구 생성, 자기회귀형 이미지·월드모델링까지, 핵심은 모달리티를 나누기보다 하나의 효율적 생성·이해 체계로 묶는 방향입니다.
📄Training & Optimization1
Rethinking the Divergence Regularization in LLM RLLLM 강화학습의 발산 정규화를 다시 생각하다⭐ 408
DRPO는 DPPO의 하드 마스크를 부드러운 advantage-weighted quadratic 정규화로 바꿔, 오프폴리시 LLM RL에서 신뢰영역을 더 안정적으로 유지하며 버려지던 유해 방향 업데이트를 교정합니다.
💡 후학습 최적화는 단순한 클리핑이나 마스킹보다 정책 이동을 더 연속적이고 교정 가능하게 다루는 쪽으로 진화하고 있습니다. 이는 LLM RL이 점점 더 오프폴리시·장문맥 환경을 다루게 되면서 안정성 설계가 성능만큼 중요해졌음을 시사합니다.
💻Code & Agents6
Role-Agent: Bootstrapping LLM Agents via Dual-Role Evolution이중 역할 진화로 LLM 에이전트를 부트스트랩하는 Role-Agent⭐ 74
Role-Agent는 하나의 LLM이 에이전트와 환경을 동시에 맡는 WIA·AIW 구조로 process reward와 실패패턴 기반 재훈련을 결합해, 정적 환경에 갇힌 기존 에이전트보다 더 강한 일반화를 노립니다.
SearchSwarm: Towards Delegation Intelligence in Agentic LLMs for Long-Horizon Deep Research장기 리서치를 위한 에이전트형 LLM의 위임 지능, SearchSwarm⭐ 56
SearchSwarm은 메인 에이전트가 서브에이전트에 과제를 위임하는 장기 리서치 설정에서, 무엇을 언제 위임할지 학습시키는 데이터 합성·훈련 하네스를 제안해 컨텍스트 한계를 운영 설계로 우회합니다.
Toward Generalist Autonomous Research via Hypothesis-Tree Refinement가설 트리 정제로 범용 자율 연구를 향하여⭐ 63
Arbor는 장수명 코디네이터와 단기 실행기, 그리고 가설·증거·교훈을 누적하는 Hypothesis Tree Refinement를 결합해 자율 연구를 일회성 시도가 아닌 장기 축적형 탐색 프로세스로 바꿉니다.
💡 에이전트 연구는 이제 단일 실행 성능보다 자기개선 루프, 위임 구조, 장기 메모리, 그리고 공정한 평가 인프라 구축으로 무게중심이 옮겨가고 있습니다. 특히 데이터가 부족한 장기 작업에서는 환경·하네스·벤치마크 자체를 함께 설계하는 접근이 경쟁력이 되고 있습니다.
📄Robotics & RL2
Test-Time Gradient Guidance of Flow Policies in Reinforcement Learning강화학습에서 플로우 정책의 테스트타임 그래디언트 가이던스⭐ 17
QGF는 행동복제로 학습한 flow policy와 value function을 유지한 채 테스트타임에만 Q-guidance를 적용해, 불안정한 RL 재학습 없이 연속제어 정책 개선을 수행하는 간단한 대안을 제시합니다.
Embodied-R1.5: Evolving Physical Intelligence via Embodied Foundation Models체화 파운데이션 모델로 물리 지능을 진화시키는 Embodied-R1.5⭐ 17
Embodied-R1.5는 15B 토큰 규모 데이터와 multi-task balanced RL, PGC 폐루프를 통해 8B 모델로 24개 체화 VLM 벤치마크 중 16개에서 SOTA를 달성하며 범용 물리 지능의 압축 가능성을 보여줍니다.
💡 로보틱스와 RL에서는 학습 전체를 다시 흔들기보다 테스트타임 가이던스나 폐루프 자기교정으로 실용 성능을 끌어올리려는 흐름이 뚜렷합니다. 거대한 모델보다도 적절한 데이터 구성과 실행 루프 설계가 실제 물리 지능을 좌우한다는 점이 인상적입니다.
🗣️Language Models2
ComBench: A Benchmark for Rigorous Proof Reasoning and Constructive Realization in Olympiad-Level Combinatorics올림피아드 조합론의 엄밀한 증명 추론과 구성 능력을 평가하는 ComBench⭐ 14
ComBench는 조합론 100문항을 분석형·구성형으로 나누고 루브릭 기반 증명 채점과 결정적 구성 검증을 함께 제공해, LLM의 창의적 수학 추론 약점을 더 정밀하게 드러냅니다.
ICA Lens: Interpreting Language Models Without Training Another Dictionary새 딕셔너리 학습 없이 언어모델을 해석하는 ICA Lens⭐ 20
ICA Lens는 SAE 대신 비가우시안 방향을 찾는 ICA를 LLM 해석의 경량 첫 렌즈로 재조명하며, 별도 대형 딕셔너리 학습 없이도 토큰 선택적이고 해석 가능한 표현 축을 빠르게 찾을 수 있음을 보입니다.
💡 언어모델 연구는 단순 벤치마크 점수 경쟁을 넘어, 수학적 추론의 취약점을 세밀하게 진단하고 내부 표현을 더 가볍게 해석하려는 방향으로 확장되고 있습니다. 즉 더 잘 푸는 것과 왜 그렇게 푸는지를 함께 다루는 단계로 넘어가고 있습니다.
👁️Computer Vision1
Reroute, Don't Remove: Recoverable Visual Token Routing for Vision-Language Models버리지 말고 우회하라: 비전-언어 모델을 위한 복구 가능한 시각 토큰 라우팅⭐ 7
Reroute는 시각 토큰을 영구 삭제하지 않고 일부를 다음 라우팅 단계로 미뤘다가 다시 후보로 복귀시키는 학습 없는 플러그인으로, 기존 프루닝과 같은 예산 안에서 grounding 민감 질의의 성능 손실을 줄입니다.
💡 비전 모델 효율화는 토큰을 무조건 줄이는 것이 아니라, 나중에 다시 살릴 수 있는 가역적 압축으로 진화하고 있습니다. 이는 멀티레이어 추론에서 중요도가 바뀌는 시각 정보의 특성을 반영한, 더 실전적인 최적화 흐름으로 보입니다.