오늘의 한줄
오늘은 LLM 에이전트의 메모리·도구 선택·장기 과제 평가처럼 시스템 수준의 병목을 해부한 연구와, 추론·캐시·디코딩 효율을 끌어올리는 실전 최적화 연구가 특히 두드러집니다. 동시에 비디오 생성, 시각 추론, 지구 관측 예측까지 멀티모달 모델이 더 긴 시간축과 더 강한 제어 가능성으로 확장되는 흐름도 뚜렷합니다.
💻Code & Agents6
Beyond NL2Code: A Structured Survey of Multimodal Code IntelligenceNL2Code를 넘어선 멀티모달 코드 인텔리전스 구조화 서베이⭐ 263
이 서베이는 스크린샷·차트·비디오·인터랙션 상태를 코드 생성·수정·추론과 연결하는 멀티모달 코드 인텔리전스를 GUI, 과학 시각화 등 4개 영역으로 체계화해 향후 코드 에이전트 설계 지형을 정리했습니다.
Are We Ready For An Agent-Native Memory System?에이전트 네이티브 메모리 시스템, 정말 준비됐을까?⭐ 20
이 연구는 에이전트 메모리를 저장·추출·검색·유지보수의 4개 모듈로 분해해 비용, 구조적 트레이드오프, 동적 지식 업데이트 강건성을 분석하며 메모리를 블랙박스 성능 지표 밖으로 끌어냈습니다.
OPID: On-Policy Skill Distillation for Agentic Reinforcement Learning에이전트 강화학습을 위한 온폴리시 스킬 증류, OPID⭐ 26
OPID는 완료된 온폴리시 궤적에서 에피소드·스텝 수준의 계층적 스킬을 추출하고 critical-first routing으로 주입해, 외부 스킬 메모리 없이도 언어 에이전트 RL에 밀도 높은 중간 감독을 제공합니다.
💡 에이전트 연구가 이제 단순 성공률 경쟁을 넘어 메모리 구조, 권한 있는 도구 선택, 스킬 커버리지, 장기 경제 행동처럼 시스템 설계의 세부 병목을 해부하는 단계로 들어섰습니다. 실무적으로는 더 강한 모델 하나보다 메모리 수명주기, 최소 권한 정책, 실행 인터페이스 설계가 성능과 안전을 함께 좌우한다는 메시지가 강합니다.
👁️Computer Vision2
Lite Any Stereo V2: Faster and Stronger Efficient Zero-Shot Stereo Matching더 빠르고 강한 효율형 제로샷 스테레오 매칭, Lite Any Stereo V2⭐ 99
LAS2는 2D 전용 cost aggregation과 합성 지도학습·자기 증류·실사 지식 증류의 3단계 학습으로, 경량 스테레오 모델에서도 배포 친화적 지연시간과 강한 제로샷 일반화를 동시에 달성했습니다.
Advancing WordArt-Oriented Scene Text Recognition: Datasets and Methods워드아트 지향 장면 문자 인식을 진전시키는 데이터셋과 방법⭐ 3
이 연구는 기존 예술 텍스트 데이터를 수백 배 확대한 200만 규모 WATER-S와 임의 형태 입력을 지원하는 WATERec을 제안해, 복잡한 폰트·질감·배치를 가진 WordArt 인식의 확장성을 끌어올렸습니다.
💡 비전 쪽에서는 거대한 범용 모델보다도 실제 배포 지연시간과 데이터 스케일링 전략이 다시 중요해지고 있습니다. 스테레오와 예술 텍스트 인식 모두, 문제 구조에 맞춘 경량 아키텍처와 대규모 합성 데이터가 여전히 강력한 레버임을 보여줍니다.
📄Robotics & RL2
EBench: Elemental Diagnosis of Generalist Mobile Manipulation Policies범용 모바일 매니퓰레이션 정책을 원소 단위로 진단하는 EBench⭐ 95
EBench는 26개 조작 과제를 5개 능력 축과 4개 일반화 축으로 분해해 π0.5, XVLA, InternVLA-A1의 서로 다른 강약점을 드러내며, 단일 성공률만으로는 놓치는 정책 특성을 정밀 진단합니다.
Hallucination in World Models is Predictable and Preventable월드 모델의 환각은 예측 가능하고 예방 가능하다⭐ 20
MMBench2 427시간·210개 과제와 3가지 실패 신호를 제시한 이 연구는 350M 월드 모델의 perceptual·action-marginalized·scene-diverging 환각을 예측하고, coverage-aware sampling과 curiosity 수집으로 완화했습니다.
💡 로보틱스·월드모델 연구는 평균 점수보다 실패 양상을 세분화하고, 데이터 커버리지 부족이 어떤 환각과 일반화 붕괴로 이어지는지 진단하는 방향으로 가고 있습니다. 즉 더 큰 모델보다 더 좋은 벤치마크와 오류 예측 신호가 다음 성능 도약의 핵심으로 보입니다.
📄Training & Optimization2
JetSpec: Breaking the Scaling Ceiling of Speculative Decoding with Parallel Tree Drafting병렬 트리 드래프팅으로 speculative decoding의 한계를 깨는 JetSpec⭐ 35
JetSpec은 fused hidden state 위의 causal parallel draft head로 한 번의 forward에서 분기별 인과 조건을 반영한 트리 초안을 생성해 speculative decoding의 수용 길이와 확장성을 함께 높였습니다.
RoPE-Aware Bit Allocation for KV-Cache QuantizationKV 캐시 양자화를 위한 RoPE 인지형 비트 할당⭐ 3
Block-GTQ는 RoPE 주파수 블록별 에너지에 따라 키 캐시 비트를 탐욕적으로 배분해, 동일 예산에서 레이어 MAE를 32~80% 줄이고 367/367 비교 전부에서 균등 할당 TQ-MSE를 앞섰습니다.
💡 추론 최적화는 이제 단순 압축을 넘어 모델 내부 구조를 이해한 구조적 최적화로 이동하고 있습니다. speculative decoding의 인과 구조나 RoPE의 주파수 블록처럼, 아키텍처 특성에 맞춘 최적화가 실제 속도와 품질을 동시에 끌어올리는 흐름입니다.
📄Multimodal & Generative8
DomainShuttle: Freeform Open Domain Subject-driven Text-to-video Generation자유형 오픈도메인 주체 기반 텍스트-비디오 생성, DomainShuttle⭐ 66
DomainShuttle은 Domain-MoT를 통해 인도메인에서는 높은 주체 보존도를, 크로스도메인에서는 스타일·의미 조합의 유연성을 함께 확보해 개인화 텍스트-비디오 생성의 편집 가능성을 넓혔습니다.
ShutterMuse: Capture-Time Photography Guidance with MLLMsMLLM으로 촬영 순간을 안내하는 사진 가이드, ShutterMuse⭐ 35
ShutterMuse는 13만 샘플의 CaptureGuide-Dataset과 벤치를 바탕으로 구도 결정·세밀 보정·피사체 포즈 추천을 통합해, 기존 MLLM과 크롭 모델이 놓치던 촬영 시점의 실행 가능한 사진 가이드를 제시합니다.
ViQ: Text-Aligned Visual Quantized Representations at Any Resolution임의 해상도에서 텍스트 정렬형 시각 양자화 표현, ViQ⭐ 36
ViQ는 텍스트 정렬 사전학습과 특징 이산화의 2단계 학습으로 의미와 세부 정보를 함께 보존하는 시각 토큰을 만들며, 임의 해상도 입력을 텍스트와 통합된 이산 표현으로 다룰 수 있게 합니다.
💡 멀티모달 생성은 한 장면의 품질 경쟁을 넘어 시간축 일관성, 기하 제약, 물리 조건 반응성, 촬영 가이드 같은 실제 사용성으로 빠르게 확장되고 있습니다. 동시에 ViQ, V-Zero, LISA처럼 표현·학습 목표 자체를 다시 설계해 제어 가능성과 데이터 효율을 높이려는 시도도 활발합니다.