오늘의 한줄
오늘 논문들은 크게 두 흐름이 돋보입니다. 한 축에서는 장기 과제를 더 안정적으로 수행하는 에이전트 하네스·벤치마크·자기개선 기법이 빠르게 정교해지고 있고, 다른 축에서는 월드모델·멀티모달 임베딩·생성 모델이 더 긴 맥락과 더 다양한 입력을 다루는 방향으로 확장되고 있습니다.
📄Multimodal & Generative6
EchoWM: Open and Enterable Omnimodal World ModelsEchoWM: 직접 들어가 탐색할 수 있는 옴니모달 월드모델⭐ 1,904
EchoWM은 연속 내비게이션에 반응하며 720p 비디오와 환경음·음악·음성을 함께 생성하는 옴니모달 월드모델로, 6-DoF 궤적 정렬과 점진적 학습·자가회귀 후학습으로 1인칭·3인칭 상호작용을 모두 지원합니다.
WeMM-Embedding: WeChat Multi-Modal Embedding Technical ReportWeMM-Embedding: 위챗 멀티모달 임베딩 기술 보고서⭐ 178
WeMM-Embedding은 텍스트·이미지·비디오·문서를 공통 공간에 매핑하는 2B·4B·9B 범용 임베딩군으로, 2단계 정렬·정제 학습을 통해 2B가 기존 8B 오픈소스 기준을 넘고 9B는 MMEB-v2 80.6 SOTA를 달성했습니다.
TLive-Omni: An Omni-Modal Understanding Model for E-Commerce Live StreamingTLive-Omni: 이커머스 라이브 방송을 위한 옴니모달 이해 모델⭐ 59
TLive-Omni는 이미지·비디오·오디오·텍스트를 통합하고 Per-vGrid로 시간 정렬을 강화한 라이브커머스 특화 모델로, 3단계 지도학습과 Faithful-RFT를 통해 실시간 응답의 사실성과 표현 품질을 높였습니다.
💡 멀티모달 연구는 이제 단순 결합을 넘어 시간 정렬, 장기 기억, 상호작용 가능성까지 포함한 '들어가서 쓰는 모델'로 이동하고 있습니다. 임베딩·월드모델·3D·라이브커머스까지 공통적으로 데이터 정렬과 시스템 설계가 성능의 핵심 병목으로 부상했습니다.
💻Code & Agents8
Prime Agent: A Self-Improving RLM HarnessPrime Agent: 스스로 개선하는 RLM 하네스⭐ 18,311
Prime Agent는 지속형 IPython REPL, 메모리·스킬 보존, 재귀 서브에이전트 협업을 갖춘 오픈 하네스로, 하네스 실패를 모델 실패와 분리해 장기 코딩·평가에서 모델의 실제 최대 역량 측정을 끌어올립니다.
ClawProBench: Trace-Aware Evaluation of AI Agents with Runtime Coverage and Frozen Workplace-Style HoldoutsClawProBench: 실행 추적까지 평가하는 업무형 에이전트 벤치마크⭐ 822
ClawProBench는 최종 답만이 아니라 실행 추적·안전·효율을 함께 채점하는 trace-aware 에이전트 벤치마크로, 라이브 런타임 시나리오와 고정 홀드아웃을 분리해 감사 가능성과 견고한 순위를 동시에 제공합니다.
Apodex 1.1: Scaling Agentic Intelligence for Complex WorkApodex 1.1: 복잡한 업무를 위한 에이전트 지능 확장⭐ 453
Apodex 1.1은 실행 환경 확장과 에이전트 협업 확장을 결합해 파일·검색·코드·병렬 위임·재계획을 아우르는 지속적 업무 수행 능력을 강화하며, 전문 업무·과학·수학·코딩 등에서 선도 성능을 보고했습니다.
💡 에이전트 연구의 무게중심이 모델 자체보다 하네스, 메모리, 실행 추적, 검증 가능한 벤치마크로 빠르게 옮겨가고 있습니다. 특히 장기 업무 자동화에서는 한 번의 정답보다 재현 가능한 상태 전이와 실패 복구가 더 중요한 평가 축으로 자리 잡는 흐름입니다.
📄Robotics & RL2
GigaBrain-0.7: Scaling Embodied Foundation Models to Emergent Capabilities with a Three-System ArchitectureGigaBrain-0.7: 세 가지 시스템 아키텍처로 확장한 구현형 파운데이션 모델⭐ 2,611
GigaBrain-0.7은 이해·예측·행동을 통합한 3-시스템 구조와 3만7천 시간 이상 이기종 embodied 데이터, 원스테이지 정렬 학습으로 다양한 로봇 형태 전반의 일반화를 크게 높인 VLA 기반 구현형 파운데이션 모델입니다.
RISE: Adaptive Imagination for World Action ModelsRISE: 월드 액션 모델을 위한 적응형 상상 롤아웃⭐ 36
RISE는 Latent Evaluator와 Rollout Gate로 장면별 Roll/Stop을 결정해 상상 예산을 적응적으로 배분하는 WAM 프레임워크이며, CounterDrive 반사실 데이터셋으로 계획 가치와 위험 예측 학습을 보강했습니다.
💡 구현형 AI에서는 더 큰 데이터만으로는 부족하고, 이해·예측·행동을 나누는 구조적 설계와 상황별로 계산을 다르게 쓰는 적응형 계획이 함께 요구됩니다. 결국 범용성은 모델 크기보다 이질적 embodiment와 미래 불확실성을 다루는 방식에서 갈릴 가능성이 큽니다.
📄Training & Optimization3
Annotations as Rollouts: Efficient and Scalable Reinforcement Learning for Video MLLMs주석을 롤아웃으로: 비디오 MLLM을 위한 효율적 강화학습⭐ 44
OraRL은 정답 주석을 oracle rollout으로 직접 활용하되 advantage inversion을 막는 decoupled advantage estimator를 도입해, 비디오 MLLM의 RL 후학습 샘플 효율과 확장성을 동시에 높였습니다.
On-Policy Self-Distillation in Diffusion Models디퓨전 모델의 온폴리시 자기 증류⭐ 63
DiffusionOPSD는 이미지 수준 보상을 중간 denoising 단계의 명시적 clean-output 목표로 바꾸는 온폴리시 자기증류 프레임워크로, 보상 정렬 디퓨전 학습에서 목표 구성 이득과 실제 학습 이득을 분리해 분석합니다.
On-policy Distillation with Verifiable Reward검증 가능한 보상을 결합한 온폴리시 증류⭐ 9
OPDVR은 온폴리시 증류의 토큰 수준 지도와 RLVR의 정답성 보상을 하이퍼파라미터 없이 결합하는 방법으로, sampled-token OPD를 정답성 기반 보상으로 재정식화하고 ReLU 게이팅으로 올바른 궤적만 강화합니다.
💡 후학습 최적화는 점점 더 '희소한 보상을 어떻게 조밀한 학습 신호로 바꿀 것인가'에 집중하고 있습니다. 비디오 MLLM, 디퓨전, LLM 모두에서 정답 주석·자기증류·검증 보상을 정교하게 연결해 샘플 효율과 안정성을 동시에 확보하려는 시도가 두드러집니다.
👁️Computer Vision1
Unlocking the Potential of Image Editing via Concept Scaling and Dense Supervision개념 확장과 조밀한 감독으로 여는 이미지 편집의 잠재력⭐ 26
이 연구는 1,000개 이상 세분화 편집 개념과 1,200만 쌍 규모 ConceptEdit-12M, 그리고 한 이미지 쌍에 복수 개념을 담는 dense supervision 학습을 제안해 이미지 편집 모델의 효율과 성능을 함께 끌어올렸습니다.
💡 이미지 편집에서는 모델 구조 경쟁보다 데이터 정의와 감독 신호 설계가 다시 핵심으로 떠오르고 있습니다. 더 세분화된 편집 개념과 조밀한 학습 신호를 확보하는 쪽이 실제 편집 품질과 학습 효율을 함께 끌어올리는 방향으로 보입니다.