오늘의 한줄
오늘은 에이전트 학습을 위한 환경·스킬·평가를 다시 설계하는 연구와, 긴 문맥·비디오·3D 세계를 더 압축적이고 일관되게 다루려는 연구가 두드러졌습니다. 특히 모델 자체보다 환경 구성, 메모리 표현, 실행 하네스 같은 시스템 레이어가 성능을 좌우한다는 메시지가 강하게 보입니다.
📄Multimodal & Generative4
SolarWM: Open Data and Scalable Training for Long-Horizon Video World Models장기 시계열 비디오 월드 모델을 위한 오픈 데이터·확장형 학습 프레임워크⭐ 273
SolarWM은 10개 데이터셋의 143만 클립을 프레임 정렬된 공통 포맷으로 통합하고 백본별 적응을 분리해, 장기 비디오 월드 모델의 재현 가능한 학습·비교 기반을 여는 오픈 파이프라인을 제시합니다.
FlashRender: Few-Step Generative Rendering via Camera-Controlled Video MeanFlow카메라 제어 비디오 MeanFlow로 구현한 소수 스텝 생성 렌더링⭐ 7
FlashRender는 RETA와 MeanFlow, on-policy flow map distillation을 결합해 소스 비디오를 목표 카메라 궤적으로 수초 내 재촬영하며, 적은 샘플링 스텝에서도 일관된 카메라 제어를 달성합니다.
Puffin-World: Scaling a Unified Multimodal Model with Native 3D World States고유 3D 월드 상태로 확장하는 통합 멀티모달 모델, Puffin-World
Puffin-World는 물리·기하·외관의 3가지 네이티브 월드 상태와 Omni-Camera 표현을 공동 모델링해, 외부 모듈 없이 3D 생성·재구성·공간 시뮬레이션을 하나의 멀티모달 모델로 통합합니다.
💡 멀티모달 연구는 단순 생성 품질 경쟁을 넘어, 장기 비디오·카메라 제어·3D 월드 상태·스트리밍 메모리처럼 '세계의 지속성과 일관성'을 모델 내부에 심는 방향으로 이동하고 있습니다. 데이터 표준화와 잠재 상태 설계가 앞으로 생성 성능만큼 중요한 차별점이 될 가능성이 큽니다.
💻Code & Agents7
Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills깃허브 저장소를 AI4AI 스킬로 증류하기⭐ 109
DisCo는 GitHub 저장소와 과제별 자료에서 운영 지식을 검증 가능한 재사용 스킬로 증류해 연구 에이전트에 주입하며, 인간용 저장소를 에이전트 실행 지식으로 바꾸는 실용적 경로를 제시합니다.
WHALE: A Simple Recipe for Joint Harness-Weight Optimization하네스와 가중치를 함께 최적화하는 간단한 레시피, WHALE⭐ 15
WHALE는 모델 가중치 업데이트와 하네스 탐색을 번갈아 수행하는 joint optimization 레시피로, 프롬프트만이 아니라 실행 제어 코드까지 함께 조정해야 에이전트 성능 병목을 풀 수 있음을 보여줍니다.
Editable Visual Design편집 가능한 비주얼 디자인
Editable Visual Design은 VLM을 크리에이티브 브레인, 이미지 생성 모델을 자산 시뮬레이터로 쓰는 코딩 에이전트 기반 패러다임으로, HTML/CSS 레이어를 유지한 채 미적 품질과 후편집 가능성을 함께 노립니다.
💡 에이전트 분야는 이제 모델 성능보다 스킬, 하네스, 환경, 평가셋, 행동 분석 같은 주변 시스템을 본격적으로 최적화하고 있습니다. 특히 궤적을 환경으로 재활용하거나 현실적 요청으로 벤치마크를 재구성하는 흐름은, 에이전트 학습의 병목이 데이터보다 '실행 가능한 세계'에 있음을 보여줍니다.
🗣️Language Models5
Last Translation Benchmark최후의 번역 벤치마크⭐ 45
Last Translation Benchmark는 최신 번역 모델을 실제로 무너뜨리는 텍스트·이미지·오디오·비디오 예제와 사례별 검증 규칙을 함께 제공해, 포화된 MT 평가를 더 재현 가능하고 실패 원인 중심으로 바꿉니다.
Random Attention: Rethinking KV Cache Eviction for Efficient Reasoning효율적 추론을 위한 KV 캐시 제거 재고: 랜덤 어텐션⭐ 22
Random Attention은 토큰 중요도 점수 없이 헤드별 무작위 KV 제거만으로도 기존 최고 방법과 비슷한 성능을 유지하면서 vLLM 처리량을 32~43% 높여, 추론 캐시 최적화의 상식을 뒤집습니다.
LatentPress: Context Compression Beyond Text and Vision텍스트와 비전을 넘어선 문맥 압축, LatentPress
LatentPress는 대화·문서를 텍스트 대신 연속 메모리 토큰으로 직접 기록해 4~16배 압축하며, LongMemEval에서 7.70배 압축 시 정확도 0.504로 비압축 입력과 요약 기반 압축을 모두 앞섰습니다.
💡 언어모델 연구에서는 번역·안전·긴 문맥·효율화까지 전반적으로 기존 가정이 재검토되고 있습니다. 무작위 KV 제거, 잠재 메모리 토큰, 4비트 하이브리드 양자화처럼 '정교한 휴리스틱이 꼭 필요하지 않다'는 결과가 실전 시스템 설계에 큰 영향을 줄 수 있습니다.
👁️Computer Vision1
QCell: Recombining and Aligning Cell Queries for Overlapping Instance Segmentation겹친 세포 인스턴스 분할을 위한 쿼리 재조합·정렬, QCell⭐ 9
QCell은 잠재 공간에서 인스턴스 쿼리를 분해·재조합하고 contrastive alignment를 더해 겹친 세포를 더 잘 분리하며, ISBI2014에서 AP +2.2와 AJI +2.7 향상을 기록했습니다.
💡 비전 쪽에서는 특정 고난도 도메인에서 전역 구조 추론을 강화하는 방향이 여전히 유효합니다. QCell 사례처럼 쿼리 표현 자체를 재조합·정렬하는 설계가, 겹침과 경계 모호성이 큰 의료 영상 문제에서 실질적 성능 개선으로 이어지고 있습니다.
📄Training & Optimization3
Rethinking On-Policy Distillation of Large Language Models II: One Training Example대규모 언어모델 온폴리시 증류 재고 II: 단 하나의 학습 예제
이 연구는 OPD가 단 하나의 질의만으로도 full-data 이득 대부분을 회복하며, 16개 질의에서 상태 커버리지가 98.9%에 도달함을 보여 데이터 양보다 방문 상태 분포가 더 중요하다고 시사합니다.
Let Confidence Change, Not the Prediction: Prediction-Preserving Repair for Post-hoc Calibration예측은 유지하고 신뢰도만 바꾸는 사후 보정 수리 기법⭐ 0
CORD는 보정된 확률 벡터를 사후 수리해 원래 top-1 예측을 정확히 보존하면서 confidence만 교정하는 첫 adapter로, calibration이 의도치 않게 의사결정을 바꾸는 문제를 정면으로 다룹니다.
Percolation Dynamics in Optimization : Variance Cascades and Discrete Scale Invariance최적화의 퍼콜레이션 동역학: 분산 캐스케이드와 이산 스케일 불변성
이 연구는 SGD를 퍼콜레이션 과정으로 모델링해 대칭적 서브네트워크 병합이 분산 스파이크 형태의 상전이로 나타남을 설명하고, 이런 트래핑 메커니즘이 Adam·AdamW에도 확장됨을 보입니다.
💡 학습·최적화 연구는 데이터 양, 보정, SGD 동역학 같은 익숙한 요소를 더 근본적으로 해석하려는 흐름을 보입니다. 적은 예제로도 충분한 상태 커버리지를 얻을 수 있다는 결과와 최적화의 상전이적 해석은, 앞으로 학습 스케줄과 데이터 선택 전략을 더 이론적으로 설계하게 만들 수 있습니다.