오늘의 한줄
오늘은 물리 세계를 다루는 월드모델, 능동적 인지와 에이전트형 추론, 그리고 학습·최적화 자동화가 핵심 흐름으로 보입니다. 특히 멀티모달 시스템이 단순 인식에서 벗어나 기억, 상호작용, 도구 사용, 환경 설계까지 확장되고 있다는 점이 인상적입니다.
📄Robotics & RL4
Kairos: A Native World Model Stack for Physical AI물리 AI를 위한 네이티브 월드모델 스택, Kairos⭐ 730
Kairos는 이기종 경험을 Cross-Embodiment Data Curriculum으로 학습하고 Hybrid Linear Temporal Attention으로 장기 상태를 유지하는 네이티브 월드모델 스택을 제안해 물리 AI 배치에 필요한 확장성과 지속 기억을 동시에 겨냥했습니다.
Playful Agentic Robot Learning놀이를 통해 배우는 에이전트형 로봇 학습⭐ 24
RATs는 로봇 코딩 에이전트가 다운스트림 과제 전에 스스로 놀이 과제를 만들고 실패를 수정하며 코드 스킬 라이브러리를 축적하도록 해, LIBERO-PRO와 MolmoSpaces에서 무작위·무놀이 기준선보다 더 나은 성능을 보였습니다.
From Trainee to Trainer: LLM-Designed Training Environment for RL with Multi-Agent Reasoning학습자에서 훈련 설계자로: LLM이 만드는 RL 학습 환경⭐ 14
이 연구는 정책 실패 궤적을 바탕으로 다음 학습 단계의 환경 구성을 LLM이 직접 설계하는 LLM-as-Environment-Engineer를 제안했으며, MAPF-FrozenLake에서 Qwen3-4B 기반으로 최고 종합 성능을 기록했습니다.
💡 로보틱스 쪽에서는 월드모델이 단순 예측기를 넘어 기억, 행동 조건화, 환경 설계까지 포함하는 운영 체계로 진화하고 있습니다. 특히 이미지 편집 기반 WAM이나 놀이 기반 스킬 축적처럼, 더 싸고 재사용 가능한 학습 구조를 찾는 흐름이 강해 보입니다.
📄Multimodal & Generative7
Beyond the Current Observation: Evaluating Multimodal Large Language Models in Controllable Non-Markov Games현재 관측을 넘어: 제어 가능한 비마르코프 게임에서 멀티모달 LLM 평가⭐ 33
RNG-Bench는 Matching Pairs와 3D Maze를 통해 MLLM의 숨은 상태 복원과 행동 결정을 분리 평가하며, 메모리 갭과 일대일 대결 프로토콜로 폐루프 에이전트의 실제 기억 능력을 정밀 측정할 수 있게 했습니다.
Moebius: 0.2B Lightweight Image Inpainting Framework with 10B-Level Performance100억급 성능을 노리는 0.2B 경량 이미지 인페인팅, Moebius⭐ 37
Moebius는 LλMI 블록과 적응형 다중 입도 증류를 결합해 0.2B 규모로도 10B급 인페인팅 성능을 지향하며, 고비용 대형 생성 모델의 실서비스 대안을 제시했습니다.
MolmoMotion: Forecasting Point Trajectories in 3D with Language Instruction언어 지시로 3D 포인트 궤적을 예측하는 MolmoMotion⭐ 35
MolmoMotion은 116만 비디오에서 구축한 MolmoMotion-1M과 PointMotionBench를 바탕으로, 언어 목표 조건하에서 객체의 3D 포인트 미래 궤적을 예측하는 새로운 모션 포캐스팅 문제를 대규모로 정식화했습니다.
💡 멀티모달 연구는 생성 품질 경쟁을 넘어 기억, 3D, 사회적 상호작용, 산업 현장 이해처럼 더 구체적인 사용 맥락으로 빠르게 이동하고 있습니다. 동시에 경량화, 실시간성, 데이터셋 구축이 함께 강조되며 실제 배치 가능성이 중요한 평가축이 되고 있습니다.
💻Code & Agents5
S-Agent: Spatial Tool-Use Elicits Reasoning for Spatial Intelligence공간 도구 사용으로 추론을 끌어내는 S-Agent⭐ 21
S-Agent는 VLM을 의미 계획자로 두고 2D·3D 공간 도구와 Scene/Object Memory를 결합해, 연속 멀티뷰 영상에서 계수·거리·방향 같은 공간 추론을 프레임 단위 인식을 넘어 장면 중심으로 수행합니다.
Native Active Perception as Reasoning for Omni-Modal Understanding옴니모달 이해를 위한 네이티브 능동 지각 추론⭐ 14
OmniAgent는 비디오 이해를 POMDP 기반 Observation-Thought-Action 루프로 재정의하고, TAURA와 에이전트형 SFT를 통해 원시 비디오 길이와 무관한 지속 텍스트 메모리 기반 추론을 가능하게 했습니다.
Multi-LCB: Extending LiveCodeBench to Multiple Programming LanguagesLiveCodeBench를 다중 프로그래밍 언어로 확장한 Multi-LCB⭐ 22
Multi-LCB는 LiveCodeBench의 오염 통제 프로토콜을 유지한 채 12개 언어로 문제를 확장해, 실제 소프트웨어 환경에 가까운 다언어 코드 생성 일반화 성능을 체계적으로 평가할 수 있게 했습니다.
💡 에이전트 연구는 이제 단순 툴 호출을 넘어서 공간 추론, 연구 검증, 파이프라인 최적화처럼 복합 워크플로를 스스로 관리하는 방향으로 확장되고 있습니다. 핵심은 추론 자체보다도 중간 상태를 외재화하고, 실패를 진단하며, 구조를 수정하는 운영 능력에 있습니다.
📄Training & Optimization1
STARE: Surprisal-Guided Token-Level Advantage Reweighting for Policy Entropy Stability정책 엔트로피 안정을 위한 토큰 단위 이점 재가중치, STARE⭐ 16
STARE는 GRPO의 엔트로피 붕괴를 토큰 수준 advantage-surprisal 구조로 분석하고, 임계 토큰에 선택적 재가중치를 주는 방식으로 1.5B~32B 모델 전반에서 더 안정적인 RL 후학습을 달성했습니다.
💡 후학습 최적화에서는 보상 설계보다도 학습 안정성, 특히 엔트로피 붕괴 같은 미시적 동역학을 제어하는 방법이 중요해지고 있습니다. 토큰 단위 분석을 바탕으로 한 정교한 재가중치 기법이 대규모 추론 모델 학습의 실전성을 높이는 흐름입니다.
🗣️Language Models2
Sumi: Open Uniform Diffusion Language Model from Scratch처음부터 학습한 오픈 균일 디퓨전 언어모델, Sumi⭐ 6
Sumi는 1.5T 토큰으로 처음부터 학습한 공개 7B UDLM으로, 균일 디퓨전 언어모델이 지식·추론·코딩 벤치마크에서 동급 토큰 예산의 자기회귀 모델과 경쟁 가능함을 보여주는 기준점을 마련했습니다.
SAE Interventions are Unreliable: Post-Intervention Recovery of Suppressed BehaviorSAE 개입은 믿기 어렵다: 억제된 행동의 사후 복구⭐ 8
이 논문은 SAE 기반 안전 개입이 특정 유해 특성을 고정해도 residual-space 최적화로 원래 행동을 복구할 수 있음을 보여주며, 해석 가능 특징을 이용한 잠재공간 방어의 신뢰성에 강한 의문을 제기했습니다.
💡 언어모델 분야에서는 새로운 생성 패러다임 자체를 스케일업하는 시도와, 해석 가능성 기반 안전 개입의 한계를 검증하는 시도가 동시에 나타납니다. 즉 더 강한 모델을 만드는 것과, 그 모델을 정말 통제할 수 있는지 확인하는 일이 함께 중요해지고 있습니다.
👁️Computer Vision1
ViT-Up: Faithful Feature Upsampling for Vision Transformers비전 트랜스포머를 위한 충실한 특징 업샘플링, ViT-Up⭐ 6
ViT-Up은 외부 이미지 가이던스 없이 중간 ViT 은닉 상태로 연속 좌표 질의를 구성해, 세그멘테이션과 깊이 추정에서 특징 누수와 블러를 줄인 고충실도 업샘플링을 구현했습니다.
💡 비전에서는 백본 자체보다 백본 표현을 얼마나 손실 없이 재활용하느냐가 성능 차별화 포인트가 되고 있습니다. ViT-Up 사례처럼 밀집 예측을 위해 외부 보조 신호를 덧대기보다, 내부 표현을 더 충실하게 복원하는 접근이 설득력을 얻고 있습니다.