오늘의 한줄
오늘은 에이전트형 시스템의 실전화, 멀티모달 생성의 정교화, 그리고 LLM 학습·정렬 기법의 효율 개선이 두드러졌습니다. 특히 검색·코드·최적화처럼 실제 워크플로에 LLM을 연결하는 연구와, 학습 없이 기능을 확장하거나 학습 비용을 줄이려는 접근이 함께 강화되고 있습니다.
💻Code & Agents6
Dr. Claw: An AI Scientist Workspace for Vibe ResearchDr. Claw: 바이브 리서치를 위한 AI 과학자 워크스페이스⭐ 1,058
Dr. Claw는 기존 코딩 에이전트를 대체하지 않고 persistent state, skill library, 다중 실행기 조율을 얹어 연구 계획·실행·문서화를 감사 가능하고 복구 가능한 인간 참여형 루프로 통합했습니다.
Iris: Climbing to the Search FrontierIris: 검색 에이전트의 최전선으로⭐ 32
Iris는 웹 하이퍼링크 기반 멀티홉 질문 생성, trajectory 필터링, live search RL을 교차 적용하는 recipe로 35B·397B급 검색 에이전트 Iris-mini/pro를 학습해 검색 중심 추론 성능을 끌어올렸습니다.
MaxKernel: Agentic Kernel Generation for TPUsMaxKernel: TPU용 에이전트형 커널 생성⭐ 62
MaxKernel은 HITL·자율 최적화·그래프 기반 탐색의 3가지 모드와 계획·구현·프로파일링 서브에이전트를 결합해 TPU 커널 설계를 자동화하고 JaxBench 50개 과제와 실제 워크로드에서 성능을 검증했습니다.
💡 에이전트 연구가 이제 단순한 자율 실행보다 검색, 코딩, 최적화, 시스템 프로그래밍을 아우르는 워크플로 오케스트레이션으로 이동하고 있습니다. 특히 감사 가능성, 질의 전략, 이론적 조율, 인간 개입 설계가 성능 못지않게 핵심 경쟁력으로 떠오릅니다.
📄Multimodal & Generative5
WorldSculpt: Generating Compositional Worlds from Grounded VideosWorldSculpt: 실제 비디오로부터 조합형 3D 월드 생성⭐ 32
WorldSculpt는 단일 객체 3D 생성 prior인 Pixal3D를 다중 시점 조건화로 확장해 수백 개 객체가 뒤엉킨 장면도 객체별 메시의 조합형 3D 월드로 생성해 AR·시뮬레이션 활용성을 높였습니다.
UniMate: One Unified Model to Animate Diverse SkeletonsUniMate: 다양한 스켈레톤을 하나의 모델로 애니메이션화⭐ 49
UniMate는 graph-aware bias, spectral RoPE, topology conditioner를 갖춘 diffusion transformer로 임의 스켈레톤의 리깅 자산과 텍스트만 받아 테스트타임 최적화 없이 모션을 생성합니다.
Training-Free Speech-Centric Omni Understanding with Frozen VLMs고정된 VLM으로 구현하는 학습 없는 음성 중심 옴니 이해⭐ 9
TFO는 Whisper의 타임스탬프 전사문을 frozen VLM의 언어 인터페이스로 주입해 추가 학습이나 구조 변경 없이 음성 중심 오디오-비주얼 이해를 부여하는 plug-and-play 프레임워크입니다.
💡 멀티모달 생성은 단순 결합을 넘어 구조적 제약과 정렬 메커니즘을 세밀하게 설계하는 방향으로 진화하고 있습니다. 동시에 학습 없는 기능 확장과 attention 분석처럼, 대형 백본을 재활용하면서도 실패 원인을 해부하려는 흐름이 강해졌습니다.
🗣️Language Models3
Enoki: Efficient Multi-Level Hallucination DetectionEnoki: 효율적인 다층 환각 탐지⭐ 11
Enoki는 Open IE 기반의 text-anchored relational fact를 공통 표현으로 써 claim-level 검증과 span-level 위치 지정을 한 번에 수행하며, 정확도와 추론 비용을 유연하게 절충합니다.
Beneath the Surface of Chains-of-Thought: A Mechanistic Interpretation of Reasoning Operations in LLMs연쇄적 사고의 이면: LLM 추론 연산의 기계적 해석⭐ 0
이 연구는 문제 정식화·목표 분해·추론 같은 사고 연산이 은닉표현에서 특히 중간층에서 분리 가능함을 보였고, 표면 토큰보다 연산 맥락이 표현 구조를 좌우함을 개입 실험으로 확인했습니다.
Refuse without Refusal: A Structural Analysis of Safety-Tuning Responses for Reducing False Refusals in Language Models거절문 없이 거절하기: 언어 모델의 과잉 거절을 줄이기 위한 안전 튜닝 응답 구조 분석⭐ 1
이 논문은 안전 응답을 boilerplate refusal과 rationale로 분해해, 전자가 표면적 위험 단서에 과적합을 유도하는 반면 rationale만으로 학습하면 안전성을 유지하며 false refusal을 줄일 수 있음을 보였습니다.
💡 LLM 연구는 성능 향상 자체보다 신뢰성의 세부 축을 분해하는 쪽으로 깊어지고 있습니다. 환각 탐지, 과잉 거절 완화, CoT 내부 연산 해석은 모델이 왜 그런 출력을 내는지 이해하고 통제하려는 실용적 해석 가능성 연구의 확장을 보여줍니다.
📄Training & Optimization3
Group Adaptive Clipping Policy OptimizationGroup Adaptive Clipping Policy Optimization⭐ 5
GAPO는 GRPO의 고정 clipping 대신 rollout advantage에 따라 중요도 비율 경계를 조정해 어려운 문제의 희귀 정답 rollout에 더 큰 업데이트 여지를 주는 RLVR용 plug-in 개선안입니다.
RISE: Recursive Improvement via Self-Extrapolating Policy DistillationRISE: 자기 외삽 정책 증류를 통한 재귀적 성능 향상
RISE는 RLVR 학습 궤적에서 현재 체크포인트와 과거 anchor의 차이를 파라미터·로짓 공간에서 외삽해 외부 교사 없이 dense token-level teacher를 만들고 RLVR과 OPD를 상보적으로 결합합니다.
Don't Drop Dropout: Optimizing Layer Sparsity for Efficient LLM Training and Inference드롭아웃을 버리지 말 것: 효율적 LLM 학습·추론을 위한 레이어 희소성 최적화
이 연구는 layer dropout의 분포·스케줄·옵티마이저를 최적화하면 동일 FLOPs에서 더 낮은 손실을 얻고, 같은 학습 스텝 기준 최대 25% FLOPs를 절감하면서 후속 layer pruning 내성도 확보할 수 있음을 보였습니다.
💡 학습 효율화는 더 이상 단순한 FLOPs 절감이 아니라, 어떤 샘플과 어떤 레이어에 학습 여지를 줄지 정교하게 배분하는 문제로 바뀌고 있습니다. RLVR의 clipping 적응, 자기 외삽 증류, layer dropout 재평가는 후학습과 사전학습 모두에서 '업데이트 예산 배분'이 핵심임을 시사합니다.
👁️Computer Vision2
AdaptVPR: Route-Aware Hard Positive Generation for Robust Visual Place RecognitionAdaptVPR: 경로 인지형 하드 포지티브 생성으로 강건한 시각 장소 인식⭐ 2
AdaptVPR는 VLM 기반 장면 속성 파싱과 규칙 기반 스케줄러로 전역 외관 변화·국소 가림·복합 편집의 3개 생성 경로를 선택해 same-place hard positive를 만들고 VPR의 도메인 강건성을 높였습니다.
The 2026 PNPL Competition: Word Classification and Efficient Cross-Subject Generalisation in LibriBrain1002026 PNPL 대회: LibriBrain100에서의 단어 분류와 효율적 피험자 간 일반화
이 논문은 32명의 추가 피험자와 소량 적응 설정을 포함한 LibriBrain100 기반 2026 PNPL 대회를 소개하며, 실용적 비침습 음성 BCI의 핵심 과제를 within-subject 성능에서 cross-subject 일반화로 전환했습니다.
💡 비전 분야에서는 생성 모델을 데이터 증강과 3D 구성 문제에 직접 연결해 강건성과 활용성을 높이려는 시도가 돋보입니다. 한편 LibriBrain100은 전통적 비전 과제는 아니지만, 실제 배치 관점에서 데이터셋과 평가 축을 일반화 중심으로 재설계하는 흐름과 맞닿아 있습니다.
📄Robotics & RL1
HarvestBench: Measuring Whether LLM Agents Will Pay to Avoid Killing AnimalsHarvestBench: LLM 에이전트가 동물 희생을 피하려 비용을 지불하는지 측정하기
HarvestBench는 농장 수확 gridworld에서 동물을 피하기 위한 연료 비용 지불 여부를 묻는 7,201개 의사결정으로, LLM 에이전트의 부작용 회피와 도덕적 선호를 가격 민감도로 측정하는 새로운 안전 벤치마크입니다.
💡 안전 연구가 추상적 원칙을 넘어, 비용을 지불하며 부작용을 회피할지 묻는 행동 수준 평가로 구체화되고 있습니다. 이런 벤치마크는 앞으로 embodied agent와 RL 시스템에서 도덕성·선호 정렬을 더 정량적으로 다루게 만들 가능성이 큽니다.