오늘의 한줄
오늘은 LLM 추론 효율화, 에이전트 시스템의 메모리·도구 선택·장기 과제 평가, 그리고 비디오·비전 생성의 일관성 강화가 두드러졌습니다. 특히 단일 성능 수치보다 병목과 실패 유형을 구조적으로 진단하려는 연구가 여러 분야에서 공통적으로 나타났습니다.
💻Code & Agents6
Beyond NL2Code: A Structured Survey of Multimodal Code IntelligenceNL2Code를 넘어: 멀티모달 코드 인텔리전스 구조화 서베이⭐ 263
스크린샷·차트·영상 등 시각 입력을 코드 생성·수정·추론과 연결하는 멀티모달 코드 인텔리전스 분야를 GUI·과학 시각화 등 4개 축으로 정리해, 코드 에이전트의 다음 확장 방향을 체계화했습니다.
Are We Ready For An Agent-Native Memory System?에이전트 네이티브 메모리 시스템, 정말 준비됐을까?⭐ 20
이 연구는 에이전트 메모리를 저장·추출·검색·유지보수 4개 모듈로 분해해 비용, 아키텍처 트레이드오프, 동적 지식 업데이트 강건성을 정량 비교하며 메모리 시스템을 블랙박스 평가에서 끌어냈습니다.
OPID: On-Policy Skill Distillation for Agentic Reinforcement LearningOPID: 에이전트형 강화학습을 위한 온폴리시 스킬 증류⭐ 26
OPID는 완료된 온폴리시 궤적에서 episode-level·step-level hindsight skill을 직접 추출하고 critical-first routing으로 적용해, 외부 스킬 메모리 없이도 언어 에이전트 RL의 밀도 높은 학습 신호를 제공합니다.
💡 에이전트 연구는 이제 단순 성공률 경쟁을 넘어 메모리 모듈, 권한 있는 도구 선택, 실행 인터페이스, 장기 경제 상호작용처럼 시스템 설계의 병목을 세밀하게 파고듭니다. 특히 더 강한 모델을 붙이는 것보다 메모리 구조화, 스킬 커버리지, 안전한 도구 라우팅이 실전 성능을 좌우한다는 메시지가 분명해졌습니다.
👁️Computer Vision2
Lite Any Stereo V2: Faster and Stronger Efficient Zero-Shot Stereo MatchingLite Any Stereo V2: 더 빠르고 강한 효율적 제로샷 스테레오 매칭⭐ 99
LAS2는 2D 전용 cost aggregation과 합성 학습·자기증류·실사 지식증류의 3단계 학습으로, 경량 스테레오 모델에서도 실사용 지연시간과 제로샷 일반화를 함께 끌어올렸습니다.
Advancing WordArt-Oriented Scene Text Recognition: Datasets and Methods워드아트 지향 장면 문자 인식의 발전: 데이터셋과 방법⭐ 3
WATER는 SynthWordArt와 Qwen3-VL·Z-Image 기반 생성 데이터를 합친 200만 규모 WATER-S와 임의 형태 입력을 처리하는 WATERec으로, 난도 높은 예술 문자 인식을 본격 확장했습니다.
💡 비전 쪽에서는 스테레오 매칭과 예술 문자 인식처럼 전통 과제도 경량화와 데이터 확장으로 다시 쓰이고 있습니다. 거대한 범용 모델 의존보다, 배포 친화적 구조와 대규모 합성 데이터 설계가 여전히 강력한 무기임을 보여줍니다.
📄Robotics & RL2
EBench: Elemental Diagnosis of Generalist Mobile Manipulation PoliciesEBench: 범용 모바일 매니퓰레이션 정책의 요소별 진단 벤치마크⭐ 95
EBench는 26개 작업을 5개 능력 축과 4개 일반화 축으로 분해해 π0.5·XVLA·InternVLA-A1의 성공률 뒤에 가려진 강약점을 드러내는 모바일 조작 진단 벤치마크를 제안했습니다.
Hallucination in World Models is Predictable and Preventable월드 모델의 환각은 예측 가능하고 예방 가능하다⭐ 20
MMBench2와 3종 환각 신호를 제안해 월드 모델 실패를 저커버리지 상태-행동 영역에서 예측하고, coverage-aware sampling과 curiosity reward로 데이터 수집을 유도해 환각 완화를 노렸습니다.
💡 로보틱스와 월드 모델링은 평균 점수보다 실패 양상의 분해와 데이터 커버리지 관리가 핵심 화두입니다. 정책과 모델의 환각·취약 구간을 진단 가능한 신호로 바꾸려는 흐름이, 더 안전하고 일반화되는 embodied AI로 이어질 가능성이 큽니다.
🗣️Language Models1
JetSpec: Breaking the Scaling Ceiling of Speculative Decoding with Parallel Tree DraftingJetSpec: 병렬 트리 드래프팅으로 추측 디코딩의 확장 한계 돌파⭐ 35
JetSpec은 fused hidden state 위에 branch-wise causal conditioning을 얹은 병렬 draft head로 one-forward 효율과 높은 수용 길이를 동시에 달성해 speculative decoding의 확장 한계를 낮췄습니다.
💡 LLM 추론 최적화는 speculative decoding의 구조적 한계를 깨는 방향으로 진화하고 있습니다. 단순히 더 많은 draft를 뽑는 것이 아니라, 병렬 효율과 인과 일관성을 함께 만족시키는 설계가 실제 가속의 승부처가 되고 있습니다.
📄Multimodal & Generative8
DomainShuttle: Freeform Open Domain Subject-driven Text-to-video GenerationDomainShuttle: 자유형 오픈도메인 주체 기반 텍스트-비디오 생성⭐ 66
DomainShuttle은 Domain-MoT를 통해 인물 동일성은 유지하면서도 스타일·의미 조합·도메인 속성은 유연하게 바꾸는 방식으로, in-domain과 cross-domain S2V를 함께 겨냥했습니다.
ShutterMuse: Capture-Time Photography Guidance with MLLMsShutterMuse: MLLM 기반 촬영 시점 사진 가이드⭐ 35
ShutterMuse는 13만 샘플의 CaptureGuide-Dataset과 새 벤치마크를 바탕으로 구도 보정과 피사체 포즈 추천을 함께 수행해, 사후 크롭이 아닌 촬영 시점 사진 가이드를 노렸습니다.
ViQ: Text-Aligned Visual Quantized Representations at Any ResolutionViQ: 임의 해상도에서 동작하는 텍스트 정렬 시각 양자화 표현⭐ 36
ViQ는 텍스트 정렬 사전학습과 특징 이산화의 2단계 학습으로 시맨틱과 디테일 손실의 균형을 맞춘 시각 토큰을 만들어, 임의 해상도 멀티모달 표현의 공통 기반을 제시했습니다.
💡 멀티모달 생성은 화질 향상보다 일관성, 증거 정렬, 제어 가능성 같은 '맞게 생성하는 능력'으로 무게중심이 이동하고 있습니다. 비디오·시각 추론·위성 예측까지 다양한 영역에서 메모리, 기하 감독, 물리 priors, score alignment를 넣어 생성 모델을 더 믿을 만한 시스템으로 바꾸려는 시도가 두드러집니다.
📄Training & Optimization1
RoPE-Aware Bit Allocation for KV-Cache QuantizationKV 캐시 양자화를 위한 RoPE 인지 비트 할당⭐ 3
Block-GTQ는 RoPE 블록별 에너지에 따라 KV cache 비트를 탐욕적으로 배분해, 10개 모델 패널에서 layer MAE를 32~80% 줄이고 367/367 비교를 이기며 장문맥 성능 저하를 완화했습니다.
💡 최적화 연구는 모델 자체를 바꾸기보다 추론 인프라의 병목을 정교하게 줄이는 방향으로 깊어지고 있습니다. 특히 KV-cache 양자화처럼 구조를 이해한 비트 배분이, 장문맥 서비스 비용을 낮추는 실용 기술로 빠르게 자리잡고 있습니다.