오늘의 한줄
오늘은 물리 AI·소셜 인터랙션·로봇 제어를 겨냥한 월드모델과 에이전트형 시스템이 특히 두드러졌습니다. 동시에 경량 생성모델, 코드/연구 자동화, 그리고 RL 후학습 안정화처럼 실제 배포와 운영 효율을 높이려는 연구가 강하게 이어지고 있습니다.
📄Robotics & RL4
Kairos: A Native World Model Stack for Physical AI물리 AI를 위한 네이티브 월드모델 스택, Kairos⭐ 730
Kairos는 Cross-Embodiment Data Curriculum과 Hybrid Linear Temporal Attention을 결합해 이질적 경험으로 세계를 학습·유지하는 물리 AI용 네이티브 월드모델 스택을 제안합니다.
Playful Agentic Robot Learning놀이를 통해 배우는 에이전트형 로봇 학습⭐ 24
RATs는 로봇 코딩 에이전트가 자율 놀이 중 탐색 과제를 만들고 실패를 수정하며 코드 스킬 라이브러리를 축적해, LIBERO-PRO와 MolmoSpaces의 다운스트림 성능을 높였습니다.
From Trainee to Trainer: LLM-Designed Training Environment for RL with Multi-Agent Reasoning학습자에서 훈련 설계자로: 다중 에이전트 추론용 LLM 기반 RL 환경 설계⭐ 14
이 연구는 실패 궤적을 본 현재 정책이 다음 학습 단계의 환경 설정을 직접 재설계하는 LLM-as-Environment-Engineer를 제안하고, MAPF-FrozenLake에서 최고 종합 성능을 보였습니다.
💡 로보틱스는 이제 단순 정책 학습을 넘어 월드모델, 놀이 기반 스킬 축적, 환경 자체의 자동 재설계까지 학습 루프 전체를 확장하고 있습니다. 특히 비디오 생성처럼 무거운 구성요소를 이미지 편집 등 더 직접적인 표현으로 대체하려는 흐름은 실제 배포 지향성이 강해졌음을 보여줍니다.
📄Multimodal & Generative7
Beyond the Current Observation: Evaluating Multimodal Large Language Models in Controllable Non-Markov Games현재 관측을 넘어: 제어 가능한 비마르코프 게임에서 MLLM 평가⭐ 33
RNG-Bench는 카드 기억과 3D 미로를 통해 MLLM의 숨은 상태 복원 능력만 분리 평가하며, 난도 축·듀얼 프로토콜·Memory Gap 지표로 폐루프 기억 추론의 약점을 정밀 측정합니다.
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 통해 0.2B 규모로도 10B급 인페인팅 성능을 겨냥하며, 배포 가능한 경량 전문 모델의 실용성을 보여줍니다.
MolmoMotion: Forecasting Point Trajectories in 3D with Language Instruction언어 지시로 3D 포인트 궤적을 예측하는 MolmoMotion⭐ 35
MolmoMotion은 116만 비디오에서 만든 MolmoMotion-1M과 PointMotionBench를 바탕으로, 언어 목표 조건에서 객체의 3D 포인트 미래 궤적을 예측하는 범용 모델을 제시합니다.
💡 멀티모달 연구는 더 크고 화려한 생성보다, 기억·3D·오디오-비주얼 상호작용·산업 도메인 이해처럼 구체적 사용 맥락으로 빠르게 이동하고 있습니다. 동시에 Moebius나 FreeStyle처럼 데이터 구성과 모델 압축을 함께 다루며 성능과 실용성을 동시에 잡으려는 시도가 두드러집니다.
💻Code & Agents5
S-Agent: Spatial Tool-Use Elicits Reasoning for Spatial Intelligence공간 도구 사용으로 공간 지능을 끌어내는 S-Agent⭐ 21
S-Agent는 VLM을 의미 계획자로 두고 2D·3D 공간 도구와 Scene/Question Memory를 결합해, 연속 멀티뷰 환경에서 계수·측정·방향·상대 위치 추론을 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, TAURA 기반 에이전트 RL로 긴 영상 길이와 무관한 능동 지각형 추론을 구현합니다.
Multi-LCB: Extending LiveCodeBench to Multiple Programming LanguagesLiveCodeBench를 다중 프로그래밍 언어로 확장한 Multi-LCB⭐ 22
Multi-LCB는 기존 LiveCodeBench를 12개 언어로 확장해 오염 통제를 유지한 채, 코드 LLM의 다언어 일반화와 실제 소프트웨어 엔지니어링 적합성을 체계적으로 평가합니다.
💡 에이전트 연구는 단일 추론 성능보다 도구 사용, 메모리, 파이프라인 진단, 연구 아티팩트 관리처럼 외부 절차를 구조화하는 방향으로 진화하고 있습니다. 즉, '더 똑똑한 한 번의 답변'보다 '반복 가능한 작업 시스템'이 경쟁력의 핵심이 되고 있습니다.
📄Training & Optimization1
STARE: Surprisal-Guided Token-Level Advantage Reweighting for Policy Entropy Stability정책 엔트로피 안정을 위한 놀람도 기반 토큰 수준 이점 재가중, STARE⭐ 16
STARE는 GRPO의 토큰별 엔트로피 붕괴를 분석해 surprisal 분위수 기반 이점 재가중과 목표 엔트로피 게이트를 도입함으로써 1.5B~32B 추론 모델의 RL 후학습 안정성을 높입니다.
💡 후학습 최적화는 보상 설계보다도 학습 동역학의 불안정성을 정밀하게 제어하는 단계로 들어섰습니다. STARE처럼 토큰 수준 신호와 엔트로피 제어를 직접 연결하는 접근은 추론형 LLM RL의 실전성을 높이는 중요한 흐름입니다.
🗣️Language Models2
Sumi: Open Uniform Diffusion Language Model from Scratch스크래치부터 학습한 오픈 균일 디퓨전 언어모델, Sumi⭐ 6
Sumi는 1.5T 토큰으로 처음부터 사전학습한 오픈 7B UDLM으로, 지식·추론·코딩 벤치마크에서 동급 토큰 예산의 자기회귀 모델과 경쟁하며 디퓨전 LLM의 기준점을 마련합니다.
SAE Interventions are Unreliable: Post-Intervention Recovery of Suppressed BehaviorSAE 개입은 신뢰할 수 없다: 억제된 행동의 개입 후 복구⭐ 8
이 연구는 SAE 기반 안전 개입이 특정 잠재 특징을 고정해도 잔차 공간 최적화만으로 억제된 행동이 복구될 수 있음을 보여주며, 해석 가능성 기반 방어의 취약점을 지적합니다.
💡 언어모델 연구는 한쪽에서는 Sumi처럼 자기회귀 대안 아키텍처를 본격적으로 스케일링하고, 다른 한쪽에서는 SAE 개입의 한계를 드러내며 안전·해석 가능성 가정 자체를 재검토하고 있습니다. 성능 확장과 통제 가능성 검증이 동시에 중요해졌다는 신호입니다.
👁️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 은닉상태로 연속 좌표 특징을 예측해, 세그멘테이션·깊이 추정에서 누수와 블러를 줄이는 충실한 업샘플링을 구현합니다.
💡 비전에서는 백본 자체보다 백본 특징을 얼마나 충실하게 재활용하느냐가 중요한 축으로 떠오르고 있습니다. ViT-Up은 대형 ViT 시대에 고해상도 밀집 예측을 위한 업샘플링 품질이 병목임을 다시 확인시켜 줍니다.