오늘의 한줄
오늘은 로봇·에이전트·멀티모달 시스템이 실제 환경으로 확장되기 위한 인프라와 학습 패러다임이 두드러졌습니다. 특히 embodied world model, 코드 에이전트 평가, 그리고 긴 컨텍스트·병렬 디코딩 같은 시스템 효율화 연구가 함께 진전되고 있습니다.
📄Robotics & RL6
Scaling Mixture-of-Experts Video Pretraining for Embodied Intelligence체화 지능을 위한 Mixture-of-Experts 비디오 사전학습 확장⭐ 495
LingBot-Video는 MoE 기반 DiT와 로봇 중심 비디오 프로파일링, 다차원 보상 학습을 결합해 물리성·효율성을 강화한 embodied 비디오 사전학습 패러다임을 제시합니다.
From Foundation to Application: Improving VLA Models in Practice실전 적용을 위한 VLA 모델 개선⭐ 265
LingBot-VLA 2.0은 6만 시간 규모 데이터, 확장된 전신 액션 공간, 미래 예측 기반 동역학 학습으로 VLA의 실제 배치 성능과 시간 추론 능력을 강화했습니다.
RoboDojo: A Unified Sim-and-Real Benchmark for Comprehensive Evaluation of Generalist Robot Manipulation Policies범용 로봇 조작 정책을 위한 통합 시뮬레이션·실세계 벤치마크, RoboDojo⭐ 133
RoboDojo는 42개 시뮬레이션 과제와 18개 실세계 과제로 일반화·기억·정밀도·장기 수행·오픈보캐브 지시를 함께 평가하는 통합 로봇 조작 벤치마크를 제안합니다.
💡 로봇 분야는 단순 정책 학습을 넘어 비디오 사전학습, 4D 월드 모델, 3D 궤적 계획, 보상 없는 제어, 통합 벤치마크까지 스택 전반을 재구성하고 있습니다. 특히 실제 배치성과 물리적 정합성을 동시에 확보하려는 흐름이 강해졌습니다.
👁️Computer Vision3
TESSERA v2: Scaling Pixel-wise Earth Foundation Models픽셀 단위 지구 파운데이션 모델의 스케일링 법칙, TESSERA v2⭐ 635
TESSERA v2는 395회 통제 실험으로 EO 사전학습 손실이 다운스트림 성능과 거의 상관없음을 보이고, 인코더·데이터를 함께 키우고 프로젝터는 고정하는 스케일링 규칙으로 21M 학생 모델까지 실용 배포 경로를 제시했습니다.
Vision as Unified Multimodal Generation비전을 통합 멀티모달 생성으로 재정의하다⭐ 21
SenseNova-Vision은 시각 과제를 텍스트·이미지 생성 공간으로 통합 표현하고, 전용 아키텍처 없이도 지시 기반으로 상징 출력부터 밀집 예측까지 처리하는 범용 비전 학습 틀을 제시합니다.
WildCity: A Real-World City-Scale Testbed for Rendering, Simulation, and Spatial Intelligence렌더링·시뮬레이션·공간 지능을 위한 실도시 규모 테스트베드, WildCity⭐ 4
WildCity는 평균 83.7km 길이의 18개 실제 도시 주행 궤적과 재구성·폐루프 시뮬레이터를 제공해, 도시 규모 spatial intelligence와 디지털 트윈 연구의 데이터 공백을 메웠습니다.
💡 비전 연구는 더 큰 모델을 만드는 것보다 어떤 스케일링 규칙과 데이터 구성이 실제 성능으로 이어지는지, 그리고 도시·지구 관측처럼 대규모 현실 환경을 어떻게 다룰지에 초점이 옮겨가고 있습니다. 범용 생성형 인터페이스와 실제 세계 데이터셋이 핵심 축으로 보입니다.
📄Multimodal & Generative5
Infinite Worlds with Versatile Interactions다양한 상호작용을 갖춘 무한 월드 모델⭐ 487
LingBot-World 2.0은 인과적 사전학습으로 무한 상호작용 길이를 지원하고, 720p 60fps 실시간 변형과 agentic harness를 결합해 인터랙티브 월드 모델의 범위를 크게 넓혔습니다.
Parallelized Autoregressive Decoding for Omni-Modal Dense Video Captioning옴니모달 밀집 비디오 캡셔닝을 위한 병렬 자기회귀 디코딩⭐ 18
이 연구는 이벤트 간 약한 의존성을 활용해 손실 없이 병렬 생성하는 프레임워크로, 긴 비디오의 dense captioning에서 추론 속도와 시간 정렬 성능을 함께 개선했습니다.
Light-Omni: Reflex over Reasoning in Agentic Video Understanding with Long-Term Memory장기 기억 기반 비디오 에이전트에서 추론보다 반사에 집중한 Light-Omni⭐ 25
Light-Omni는 전역 상태와 문맥 조건 반사 상태를 한 번의 포워드로 구성해, 무거운 반복 추론 없이도 장기 비디오 이해의 비용과 지연을 줄이는 경량 에이전트 구조를 제안합니다.
💡 멀티모달 생성은 이제 단순 생성 품질보다 상호작용 지속성, 장기 기억, 시공간 정합성, 과학적 구조 추론처럼 더 구조화된 세계 이해로 확장되고 있습니다. 생성 모델이 곧 인터페이스이자 시뮬레이터가 되는 방향이 뚜렷합니다.
💻Code & Agents5
Automating the Design of Embodied Agent Architectures체화 에이전트 아키텍처 설계 자동화⭐ 33
AgentCanvas와 KDLoop는 시뮬레이터 롤아웃 기반으로 지각·메모리·계획·행동 모듈 구성을 자동 탐색해 embodied agent 설계를 연구자 직관에서 검색 문제로 전환했습니다.
SkillOpt-Lite: Better and Faster Agent Self-evolution via One Line of Vibe한 줄의 바이브로 더 빠른 에이전트 자기 진화, SkillOpt-Lite⭐ 52
SkillOpt-Lite는 제로차 최적화 관점으로 에이전트 스킬 최적화를 단순화해 GPT-5.5에서 LiveMath를 8.8점, GPT-5.4-nano에서 25.4점 높이며 더 빠른 자기개선을 달성했습니다.
RuleChef: Grounding LLM Task Knowledge in Human-Editable RulesLLM 작업 지식을 사람이 수정 가능한 규칙으로 고정하는 RuleChef⭐ 12
RuleChef는 분류·NER·관계 추출 과제에서 LLM이 규칙을 생성·수정하게 해, 추론 시에는 빠르고 결정적이며 해석 가능한 규칙 시스템으로 대체하는 실용 프레임워크를 제시합니다.
💡 에이전트 연구는 성능 향상뿐 아니라 설계 자동화, 자기개선 최소화, 리뷰 루프, 실행 궤적 평가처럼 개발 운영 체계 전체를 다루기 시작했습니다. 즉, 좋은 에이전트 하나보다 지속적으로 개선·감시 가능한 에이전트 시스템이 더 중요해지고 있습니다.
🗣️Language Models1
Hierarchical Sparse Attention Done Right: Toward Infinite Context Modeling무한 컨텍스트를 향한 계층적 희소 어텐션, HiLS⭐ 23
HiLS-Attention은 LM 손실로 청크 선택을 종단간 학습하는 계층형 랜드마크 희소 어텐션으로, 긴 문맥에서 전체 어텐션에 필적하거나 일부 능가하는 성능과 더 나은 길이 외삽을 보여줍니다.
💡 긴 컨텍스트 문제에서는 단순 희소화가 아니라 어떤 청크를 볼지 자체를 학습하는 방향이 유효함을 보여줍니다. 앞으로는 메모리와 어텐션을 함께 최적화하는 구조가 초장문 LLM의 표준이 될 가능성이 큽니다.