오늘의 한줄

오늘은 에이전트의 자기개선 루프를 실제 시스템으로 확장하는 연구와, 제한된 메모리·행동 표현·데이터 편향 같은 병목을 정면으로 푸는 실용 연구가 두드러졌습니다. 동시에 로보틱스·문서 파싱·오픈보캐브 관계 예측처럼 배치 환경을 넘어 실제 배포 조건에서의 강건성을 높이려는 흐름도 뚜렷합니다.

📄Training & Optimization2

The Other Half of the Memory Wall: Serving 35B MoEs from SSD with Trained Routing Prediction학습된 라우팅 예측으로 SSD에서 35B MoE를 서빙하기⭐ 1,917

Edge0는 다음 레이어 전문가를 한 토큰 앞서 예측하는 prerouter와 recovery LoRA를 결합해 24GB 단일 머신에서 35B MoE를 피크 3GiB 메모리, 20tok/s로 구동하며 fp16 교사 대비 평균 수 포인트 이내 성능을 유지했습니다.

Rethinking Critic Learning in PPO: Understanding and Mitigating Value FlatteningPPO의 크리틱 학습 재고: 값 평탄화의 이해와 완화⭐ 15

이 논문은 PPO 크리틱의 Value Flattening 현상을 규명하고 응답 내 소수의 떨어진 상태에만 value loss를 적용하는 SP^3O를 제안해 Qwen3-Base 기반 RL에서 더 안정적인 가치 학습과 성능 향상을 보였습니다.

💡 시스템 최적화와 학습 안정화가 다시 모델 크기 경쟁만큼 중요해지고 있습니다. SSD 오프로딩을 라우팅 예측으로 메우거나 PPO의 크리틱 손실 자체를 재설계하는 흐름은, 배포 가능성과 학습 신뢰성이 곧 성능의 일부가 되었음을 보여줍니다.

💻Code & Agents8

SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness효율적인 에이전트 하네스를 위한 재귀적 오토리서치 루프 확장⭐ 2,235

SoL-Pi는 실행·컨텍스트 압축·관측 처리·위임 읽기 등 4개 메커니즘으로 오토리서치 하네스를 개선해 EdgeBench 51개 작업에서 Pi급 성능을 유지하면서 토큰 트래픽을 44.7~49.0%, API 비용을 약 3분의 1 줄였습니다.

AI for Games in the Foundation Model Era파운데이션 모델 시대의 게임 AI⭐ 146

이 서베이는 게임 플레이를 넘어 플레이어 모델링, 디자인, 런타임 적응, 테스트까지 6개 역할로 게임 AI를 재구성하며 어떤 능력이 게임·엔진·인터페이스를 넘어 전이되는지 체계적으로 정리했습니다.

The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement인간이 만든 마지막 AI를 향해: 진정한 재귀적 자기개선⭐ 54

이 논문은 HCI로 현 LLM의 한계를 짚고 개선 실행·전략·경험 획득·환경 적응 자율성에서 재귀적 메타개선으로 나아가는 RSI 로드맵을 제시해 과학·로보틱스·소프트웨어 분야별 요구 차이를 정리했습니다.

💡 에이전트 연구의 초점이 단일 모델 성능에서 하네스, 메모리, 협업 구조, 지속 개선 루프로 빠르게 이동하고 있습니다. 특히 RSI 계열 연구들은 '더 똑똑한 모델'보다 '스스로 더 나아지는 작업 시스템'이 실제 생산성의 핵심이라는 점을 강하게 시사합니다.

🗣️Language Models2

LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence범용 구조화 데이터 지능을 향한 컨텍스트 메커니즘 네트워크⭐ 4,186

LimiX-2는 CMN과 CCMM 사전학습으로 표형 데이터의 생성 구조를 공동 모델링해 TabArena, TALENT, BCCO에서 기존 데이터셋 특화 모델과 탭уляр 파운데이션 모델을 넘어서는 성능을 보였습니다.

Mind2Dialogue: Training Human-Aware Language Models by Simulating User Mental States사용자 정신 상태 시뮬레이션으로 인간 이해형 언어모델 학습하기⭐ 23

Mind2Dialogue는 심리학 기반 시뮬레이터로 사용자 특성과 변화하는 정신 상태를 함께 생성해 관측 불가능한 믿음·목표를 privileged supervision으로 활용하는 인간 이해형 LLM 학습 프레임워크를 제안합니다.

💡 언어모델은 이제 단순 텍스트 예측을 넘어 구조화 데이터의 생성 메커니즘과 사용자 내면 상태까지 모델링하려는 방향으로 확장되고 있습니다. 이는 LLM이 더 많은 지식을 외우는 것보다, 맥락의 원인 구조와 사람의 숨은 의도를 추론하는 쪽으로 진화하고 있음을 보여줍니다.

📄Robotics & RL3

In-Context Robot Learning with VLM AgentsVLM 에이전트를 활용한 인컨텍스트 로봇 학습⭐ 188

GPT-Policy는 시각 전이 정보를 보존하는 context compiler, VLM 기반 행동 제안, 검증 루프를 결합해 파라미터 업데이트 없이도 시연·예시·피드백만으로 새로운 초기 상태의 로봇 작업 적응을 가능하게 합니다.

VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control시각 시연·능동 지각·미터 단위 제어로 측정하는 체화 공간 지능⭐ 11

VA-Bench는 RGB 시연만으로 절차를 학습한 MLLM이 능동적으로 시점을 선택하고 미터 단위 Cartesian 명령을 내리며 피드백으로 수정하는 observe-reason-act-revise 전 과정을 14개 작업군과 장기 조합 과제로 평가합니다.

ActionPiece: Rethinking Action Tokenization for Autoregressive Vision-Language-Action Models자기회귀 VLA 모델을 위한 액션 토크나이제이션 재고⭐ 13

ActionPiece는 재구성 후 물리적 거리 순위 보존을 측정하는 PRC를 도입하고, 문맥별 행동 차이를 더 잘 유지하는 액션 토크나이저를 제안해 VLA 정책의 실행 충실도를 점별 MSE 너머에서 개선합니다.

💡 로보틱스는 정적 정책보다 배치 시점 적응력과 행동 표현의 충실도를 중시하는 흐름이 뚜렷합니다. VLM 기반 인컨텍스트 학습, 능동 지각 벤치마크, 액션 토크나이저 재설계는 모두 실제 환경의 불완전성에 맞춰 로봇 스택을 다시 짜고 있습니다.

👁️Computer Vision3

RelateAnything: Real-Time Open-Vocabulary Relation Prediction From Any Inputs어떤 입력에서도 가능한 실시간 오픈보캐브 관계 예측⭐ 122

RelateAnything은 객체 라벨에 의존하지 않는 53M 파라미터 관계 모델로, 임의의 영역 입력과 추론 시 제공된 문자열 predicate 집합만으로 실시간 오픈보캐브 관계 예측을 수행합니다.

WeVisDoc: From Coverage to Capability for Robust End-to-End Document Parsing강건한 엔드투엔드 문서 파싱을 위한 WeVisDoc⭐ 29

WeVisDoc은 이질 데이터 확장과 구조 보존 열화 합성, 잔여 오류 진단 기반 표적 데이터 재구성을 결합한 2단계 데이터 중심 프레임워크로 OmniDocBench v1.6에서 95.38, PureDocBench 평균 75.54를 기록하며 전 설정 1위를 달성했습니다.

EventEgoHands++: Event-based Egocentric 3D Hand Mesh Reconstruction with Real Dataset실제 데이터셋 기반 이벤트 카메라 자가시점 3D 손 메쉬 복원⭐ 6

EventEgoHands++는 배경 이벤트가 많은 자가시점 환경에서 좌·우 손 인스턴스를 구분하지 못하던 한계를 해결하는 이벤트 기반 3D 손 메쉬 복원 설정과 실제 데이터셋을 제시해 저조도·모션 블러 환경 활용도를 높였습니다.

💡 비전 분야에서는 더 큰 모델보다 입력 다양성과 평가 설정의 현실성이 성능을 가르는 모습입니다. 문서 파싱, 관계 예측, 이벤트 손 복원 모두 고정 라벨셋이나 깨끗한 데이터 가정을 버리고, 개방형·열악한 환경에서도 버티는 시스템으로 이동하고 있습니다.

📄Multimodal & Generative2

Can MiniMax-H3 Reason About the Physical World? An Evaluation of Omni-Modal Generative ModelMiniMax-H3는 물리 세계를 추론할 수 있을까? 옴니모달 생성 모델 평가⭐ 19

이 연구는 텍스트·이미지·비디오·오디오를 함께 다루는 MiniMax-H3의 물리 세계 추론 능력을 4개 축의 신규 멀티모달 평가 프레임워크로 점검해 옴니모달 입력이 여는 새로운 월드 리즈닝 평가 패러다임을 제시했습니다.

JEPA-Anything: Learning Predictive Models across Different Worlds서로 다른 세계 전반에서 예측 모델을 학습하는 JEPA-Anything⭐ 6

JEPA-Anything은 OPF로 잠재 타깃을 상보적 요인으로 분해·재결합하는 도메인 불가지론적 JEPA 확장을 제안해 비전, 임상, 제어, 분자동역학, 날씨 등 7개 도메인에서 표현학습과 장기 예측 성능을 끌어올렸습니다.

💡 멀티모달 연구는 생성 품질 자체보다 세계를 얼마나 잘 예측하고 추론하느냐로 평가 축이 넓어지고 있습니다. 옴니모달 물리 추론 평가와 범용 JEPA 월드모델은 서로 다른 입력과 도메인을 하나의 예측 원리로 묶으려는 시도를 보여줍니다.