오늘의 한줄
오늘은 LLM을 단순 응답기가 아니라 도구 제작자·장기 에이전트·자율 학습자로 확장하려는 연구가 두드러졌습니다. 동시에 멀티모달 평가와 생성 시스템도 실제 사용 조건인 세밀한 지각, 제어 가능성, 서빙 효율, 인간 지각 정합성 쪽으로 빠르게 이동하고 있습니다.
🗣️Language Models2
Program-as-Weights: A Programming Paradigm for Fuzzy FunctionsProgram-as-Weights: 퍼지 함수를 위한 새로운 프로그래밍 패러다임⭐ 96
PAW는 자연어 명세를 로컬 실행 가능한 어댑터로 컴파일해 0.6B Qwen3 인터프리터가 Qwen3-32B 직접 프롬프팅과 맞먹는 성능을 1/50 메모리와 MacBook M3 기준 30 tok/s로 달성하게 합니다.
AI translation of literary texts is "fine", but readers still prefer human translations문학 번역에서 AI는 ‘괜찮지만’, 독자는 여전히 인간 번역을 선호합니다⭐ 3
15권 소설의 약 8천 단어 발췌를 비교한 사용자 연구에서 독자들은 에이전트형 LLM 번역을 대체로 ‘괜찮다’고 평가했지만, 몰입감·명료성·자연스러움 측면에서 인간 번역을 더 자주 선호했습니다.
💡 언어모델 연구는 더 큰 모델을 직접 호출하는 방식에서 벗어나, 자연어 명세를 로컬 실행 아티팩트로 컴파일하거나 실제 독자 경험 같은 인간 중심 품질을 검증하는 방향으로 넓어지고 있습니다. 성능 숫자뿐 아니라 비용, 재현성, 체감 품질까지 함께 최적화하는 흐름이 뚜렷합니다.
📄Multimodal & Generative5
Perceive-to-Reason: Decoupling Perception and Reasoning for Fine-Grained Visual ReasoningPerceive-to-Reason: 세밀한 시각 추론을 위한 지각·추론 분리⭐ 14
P2R은 시각 증거를 먼저 찾는 Perceiver와 답을 내는 Reasoner를 분리하고 PRA-GRPO로 번갈아 학습해, 고해상도 이미지의 미세 단서가 중요한 시각 추론 성능을 Qwen3-VL 기반에서 일관되게 끌어올렸습니다.
InstanceControl: Controllable Complex Image Generation without Instance LabelingInstanceControl: 인스턴스 라벨 없이 복잡한 이미지 생성 제어⭐ 15
InstanceControl은 VLM으로 프롬프트의 개체 설명과 조건 이미지 영역을 자동 정렬해 수작업 인스턴스 라벨 없이도 다중 객체 장면에서 속성 혼동을 줄이는 제어형 이미지 생성을 구현했습니다.
Representation Distribution Matching for One-Step Visual Generation표현 분포 정합으로 학습하는 원스텝 시각 생성⭐ 22
RDM은 고정 인코더 표현 분포를 맞추는 원스텝 생성 패러다임을 체계화하며, 적절한 MMD 추정·2048+ 대배치·다중 인코더 배터리와 SW_r14 평가가 설득력 있는 생성 품질의 핵심임을 보여줍니다.
💡 멀티모달·생성 분야는 단순 평균 점수 경쟁보다 세밀한 지각 분리, 인스턴스 정렬, 다중 표현 기반 평가, 훈련 없는 가속처럼 실제 실패 모드를 정면으로 다루기 시작했습니다. 즉, 더 잘 보게 하고 더 정확히 제어하며 더 빠르게 생성하되, 평가도 인간 지각에 가깝게 바꾸는 방향입니다.
💻Code & Agents6
AutoMem: Automated Learning of Memory as a Cognitive SkillAutoMem: 기억을 인지 기술로 자동 학습하기⭐ 20
AutoMem은 파일시스템 조작을 메모리 행동으로 승격하고, 강한 LLM의 구조 개선 루프와 약한 LLM의 숙련도 향상 루프를 결합해 장기 에이전트의 메모리 관리 자체를 학습 가능한 기술로 바꿉니다.
AgenticDataBench: A Comprehensive Benchmark for Data AgentsAgenticDataBench: 데이터 에이전트를 위한 종합 벤치마크⭐ 19
AgenticDataBench는 15개 산업 도메인과 실제 B2B 사례를 포함한 데이터 과학 워크플로를 세분 라벨로 평가해, LLM 기반 데이터 에이전트의 실제 분석·정제·해석 능력을 정교하게 비교할 수 있게 합니다.
AgenticSTS: A Bounded-Memory Testbed for Long-Horizon LLM AgentsAgenticSTS: 장기 LLM 에이전트를 위한 제한 메모리 테스트베드⭐ 16
AgenticSTS는 원시 대화 누적 대신 타입드 검색으로 매 결정 프롬프트를 재구성하는 bounded-memory 계약을 제안해, 수백 단계 게임에서 메모리 구성요소별 효과를 분리·검증할 수 있게 했습니다.
💡 에이전트 연구는 메모리 설계와 자율 개선 능력을 핵심 병목으로 보고, 이를 벤치마크·구조화된 인터페이스·자동 설계 루프로 체계화하고 있습니다. 특히 장기 과제에서 ‘무엇을 기억하고 언제 버릴지’, 그리고 ‘스스로 학습 파이프라인을 얼마나 안정적으로 운영할지’가 성능을 가르는 핵심 변수로 보입니다.
📄Training & Optimization2
TurboServe: Serving Streaming Video Generation Efficiently and EconomicallyTurboServe: 스트리밍 비디오 생성을 효율적이고 경제적으로 서빙하기⭐ 14
TurboServe는 스트리밍 비디오 생성을 세션 배치와 GPU 프로비저닝을 함께 푸는 온라인 스케줄링 문제로 정의해, 다중 사용자·다중 GPU 환경에서 지연과 비용을 함께 줄이는 전용 서빙 시스템을 제안합니다.
Morphing into Hybrid Attention Models하이브리드 어텐션 모델로의 변환⭐ 7
FlashMorph는 어떤 층에 풀 어텐션을 남길지 예산 제약 부분집합 최적화로 풀어, Transformer를 하이브리드 어텐션으로 바꿀 때 층 간 상호작용까지 고려한 빠르고 확장성 있는 선택 방법을 제시합니다.
💡 시스템과 모델 최적화는 알고리즘 자체뿐 아니라 실제 서빙 환경과 구조 변환 문제를 함께 다루는 쪽으로 진화하고 있습니다. 비디오 생성 서빙, 하이브리드 어텐션 변환처럼 운영 비용과 지연을 직접 줄이는 연구가 점점 더 중요해지고 있습니다.
📄Robotics & RL3
Domain Arithmetic: One-Shot VLA Adaptation under Environmental ShiftsDomain Arithmetic: 환경 변화에 대한 원샷 VLA 적응⭐ 10
DART는 단 1개 시연만으로 카메라 포즈나 로봇 변경 같은 환경 이동에 적응하도록, 가중치 벡터의 특이성분 정렬과 도메인 정보 덧셈을 수행해 기존 VLA 적응법을 시뮬레이션과 실제 환경에서 앞섰습니다.
Valdi: Value Diffusion World ModelsValdi: 가치 확산 월드 모델⭐ 5
Valdi는 잠재 확산 동역학과 MPC용 온라인 학습을 결합해 단 1회 확산 스텝으로도 CarRacing에서 결정론적 MLP 기준선과 맞먹는 성능을 보이며, 다중모달 예측성과 제어 성능의 절충을 드러냈습니다.
Graph-Native Reinforcement Learning Enables Traceable Scientific Hypothesis Generation through Conceptual Recombination그래프 네이티브 강화학습으로 추적 가능한 과학 가설 생성⭐ 4
Graph-PRefLexOR는 GRPO로 메커니즘 탐색·그래프 구성·패턴 추출·가설 합성 단계를 구조화해, 재료과학 개방형 문제 100개에서 기반 모델 대비 40~65% 향상과 더 높은 추론 추적성을 달성했습니다.
💡 로보틱스·강화학습은 적은 데이터로 환경 변화에 적응하고, 불확실한 미래를 다루며, 추론 과정을 더 추적 가능하게 만드는 방향으로 전개되고 있습니다. 특히 가중치 산술, 확산 월드모델, 그래프 기반 RL처럼 구조적 귀납편향을 넣어 일반화와 해석 가능성을 동시에 노리는 시도가 인상적입니다.
👁️Computer Vision2
AGVBench: A Reliability-Oriented Benchmark of Data Augmentation for Vein RecognitionAGVBench: 정맥 인식을 위한 신뢰성 중심 데이터 증강 벤치마크⭐ 8
AGVBench는 30개 증강 기법을 5개 정맥 데이터셋과 7개 백본에서 비교해 MixUp류가 정확도는 높지만 보정과 적대적 강건성은 약하고, 강한 기하 변환은 미세 혈관 패턴을 해칠 수 있음을 보여줍니다.
AnyGroundBench: A Specialized-Domain Benchmark for Video Grounding in Vision-Language ModelsAnyGroundBench: 특수 도메인 비디오 그라운딩 벤치마크⭐ 3
AnyGroundBench는 동물·산업·스포츠·수술·공공안전 5개 특수 도메인에 대한 조밀한 시공간 주석을 제공해, VLM 비디오 그라운딩 평가를 일반 벤치의 제로샷 성능에서 도메인 적응 능력 중심으로 전환합니다.
💡 비전 연구에서는 단순 정확도보다 도메인 특수성과 신뢰성이 더 중요한 평가 축으로 떠오르고 있습니다. 정맥 인식과 특수 도메인 비디오 그라운딩 모두, 일반 이미지 기준의 관행을 그대로 가져오면 성능 해석이 왜곡될 수 있음을 보여줍니다.