오늘의 한줄

오늘은 코딩 에이전트의 실행 하네스와 공유 메모리, 기업·과학 환경용 에이전트 평가처럼 에이전트를 실제로 굴리기 위한 시스템 연구가 두드러졌습니다. 동시에 문서 파싱·파노픽 캡셔닝·이벤트 비전과 로봇 정책·행동 토크나이징까지, 효율과 정밀도를 함께 끌어올리려는 연구 흐름도 선명합니다.

💻Code & Agents6

SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent HarnessSoL-Pi: 효율적인 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 과제에서 Pi급 성능을 유지하면서 토큰 사용량을 44.7~49.0%, API 비용을 약 3분의 1 줄였습니다.

ScienceIDE: Turning World's Scientific Codebase into Agent Learnable EnvironmentsScienceIDE: 전 세계 과학 코드베이스를 에이전트 학습 가능한 환경으로 바꾸기⭐ 16

ScienceIDE는 과학 코드 저장소를 실행·과제 생성·과학적 검증이 가능한 환경으로 변환하고, 검증된 상호작용 궤적으로 PhAI-IDE 72B/9B/4B를 학습해 과학 코드 수리와 범용 코드·추론 벤치마크 성능을 함께 끌어올렸습니다.

Reflect, Revise, Reuse: Training-Free Skill Evolution for GUI Agents반성하고, 수정하고, 재사용하라: GUI 에이전트를 위한 학습 없는 스킬 진화⭐ 11

EvoSkill-GUI는 실행 계획·백업 위치 추정·복구 규칙·실패 사례를 담은 다중 파일 스킬 패키지를 reflect-revise-reuse 루프로 현장에서 갱신해, 추가 학습 없이도 동적 GUI 환경의 장기 작업 적응력을 높였습니다.

💡 코딩·GUI·과학·기업 환경의 에이전트 연구가 이제 모델 자체보다 하네스, 스킬 표현, 공유 메모리, 검증 가능한 평가 인프라로 무게중심을 옮기고 있습니다. 결국 실전 성능은 더 똑똑한 모델 하나보다, 중복 탐색을 줄이고 실패를 누적 학습 자산으로 바꾸는 운영 체계에서 갈릴 가능성이 커 보입니다.

📄Training & Optimization3

The Other Half of the Memory Wall: Serving 35B MoEs from SSD with Trained Routing Prediction메모리 장벽의 다른 절반: 학습된 라우팅 예측으로 SSD에서 35B MoE 서빙하기⭐ 1,917

Edge0는 다음 레이어의 expert를 한 토큰 앞서 예측하는 prerouter와 recovery LoRA를 결합해 단일 24GB 머신에서 35B MoE를 피크 3GiB 메모리, 20tok/s로 구동하며 fp16 교사 대비 벤치마크 손실을 몇 점 수준으로 억제했습니다.

What Does Privileged Information Add to On-Policy Self-Distillation?온폴리시 자기 증류에서 특권 정보는 무엇을 더하는가?⭐ 4

AMPLE-Math 5,319문제로 OPSD를 분해 분석한 결과, Qwen3-1.7B에서는 답안·풀이를 보지 않는 reference-free distillation만으로도 개선의 상당 부분이 설명됐고, 특권 정보의 추가 이득은 제한적이지만 일부 설정에서 최대 2포인트 향상이 확인됐습니다.

Sample Count Is Not Enough: Candidate-Generation Strategy Shapes the Energy and Performance of LLM Test-Time Scaling샘플 수만으로는 부족하다: 후보 생성 전략이 LLM 테스트타임 스케일링의 에너지와 성능을 좌우한다

이 논문은 GSM8K에서 후보 수 N 증가가 정확도를 높여도, 같은 N=8이라도 1x8·2x4·4x2·8x1 같은 생성 스케줄에 따라 지연시간·처리량·GPU 시간·에너지 비용이 크게 달라진다는 점을 실증했습니다.

💡 효율화 연구는 단순 압축을 넘어 시스템 병목의 정확한 원인을 겨냥하는 방향으로 진화하고 있습니다. MoE 서빙의 메모리-라우팅 문제, 자기증류에서 특권 정보의 실제 기여, 테스트타임 스케일링의 에너지 비용처럼 이제는 '무엇이 진짜 이득인가'를 분해해 따지는 흐름이 강합니다.

🗣️Language Models1

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

LimiX-2는 CMN과 CCMM 사전학습으로 p(x,y|context)를 직접 모델링해 TabArena·TALENT·BCCO에서 기존 데이터셋 특화 모델과 표형 파운데이션 모델을 앞섰으며, 구조화 데이터의 생성 메커니즘까지 해석 가능하게 다뤘습니다.

💡 LimiX-2는 표형 데이터에서도 단순 예측기보다 생성 메커니즘 자체를 문맥적으로 모델링하는 접근이 경쟁력을 가질 수 있음을 보여줍니다. 언어모델식 인컨텍스트 학습의 성공 공식을 구조화 데이터로 옮기되, 목표 함수를 다시 설계하는 시도가 본격화되는 분위기입니다.

📄Robotics & RL4

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

GPT-Policy는 시각 전이 정보를 보존하는 context compiler와 VLM 기반 행동 제안, 검증 루프를 결합해 파라미터 업데이트 없이도 시연·예시·피드백만으로 새로운 초기 상태의 로봇 작업에 적응하는 인컨텍스트 로봇 학습을 제시했습니다.

Rethinking Critic Learning in PPO: Understanding and Mitigating Value FlatteningPPO의 크리틱 학습 다시 보기: Value Flattening의 이해와 완화⭐ 15

이 논문은 PPO 크리틱이 중간 상태 가치 변화를 평평하게 예측하는 Value Flattening 현상을 규명하고, 응답당 소수의 떨어진 상태에만 value loss를 적용하는 SP^3O로 Qwen3-Base의 RL 학습을 개선했습니다.

ActionPiece: Rethinking Action Tokenization for Autoregressive Vision-Language-Action ModelsActionPiece: 자기회귀 VLA 모델을 위한 행동 토크나이징 재고⭐ 13

ActionPiece는 재구성 오차만이 아니라 물리적 거리 순위 보존을 보는 PRC 지표를 도입하고, 문맥별 미세한 행동 차이를 유지하는 토크나이징 방식으로 VLA 정책의 실행 충실도를 높였습니다.

💡 로봇과 RL 연구는 더 많은 데이터보다 배치 시점 적응성과 학습 신호의 품질에 집중하고 있습니다. VLM 기반 인컨텍스트 정책, PPO의 value flattening 완화, 행동 토큰화의 물리적 충실도, 능동 지각 벤치마크는 모두 '실행 가능한 일반화'가 핵심 화두임을 보여줍니다.

👁️Computer Vision3

WeVisDoc: From Coverage to Capability for Robust End-to-End Document ParsingWeVisDoc: 커버리지를 넘어 성능으로 가는 강건한 엔드투엔드 문서 파싱⭐ 29

WeVisDoc는 이질 데이터 확장과 구조 보존 열화 합성, 오류 클러스터 기반 표적 데이터 재구성을 결합한 2단계 데이터 중심 프레임워크로 OmniDocBench v1.6에서 95.38, PureDocBench 3개 트랙 평균 75.54를 기록하며 모두 1위를 차지했습니다.

EventEgoHands++: Event-based Egocentric 3D Hand Mesh Reconstruction with Real DatasetEventEgoHands++: 실제 데이터셋 기반 이벤트 카메라 1인칭 3D 손 메쉬 복원⭐ 6

EventEgoHands++는 좌·우 손을 구분하지 못하던 기존 이벤트 기반 1인칭 손 복원의 한계를 실제 데이터셋과 인스턴스 수준 손 정보로 보완해, 손이 하나만 있거나 없을 때의 오검출과 잘못된 손 간 관계 예측을 줄였습니다.

PANORAMA: Panoptic Grounded Captioning via Mask Proposal SelectionPANORAMA: 마스크 제안 선택을 통한 파노픽 그라운디드 캡셔닝⭐ 10

PANORAMA는 객체와 배경을 모두 픽셀 단위로 연결하는 panoptic grounded captioning 과제와 PanoCaps 벤치마크를 제안하고, phrase-mask 매칭 및 마스크 제안 선택으로 더 완전하고 정확한 시각-언어 정렬을 달성했습니다.

💡 비전 연구에서는 데이터 커버리지 확대만으로는 부족하고, 오류를 진단해 정밀하게 보완하는 데이터·표현 설계가 중요해지고 있습니다. 문서 파싱, 이벤트 기반 손 복원, 파노픽 그라운딩 모두 실제 배치 조건에서 빠지기 쉬운 실패 모드를 직접 겨냥했다는 점이 인상적입니다.

📄Multimodal & Generative3

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 MiniMax-H3의 물리 세계 추론 능력을 4개 축에서 점검하는 멀티모달 평가 프레임워크와 신규 과제를 제안해, 옴니모달 입력이 단순 생성 품질을 넘어 세계 이해 평가 자체를 어떻게 바꾸는지 보여줍니다.

JEPA-Anything: Learning Predictive Models across Different WorldsJEPA-Anything: 서로 다른 세계 전반에서 예측 모델 학습하기⭐ 6

JEPA-Anything은 OPF로 잠재 타깃을 상보적 요인으로 분해하는 도메인 불문 JEPA 프레임워크를 제안해 비전·임상·제어·분자동역학·날씨 등 7개 도메인에서 OOD 일반화와 장기 동역학 예측을 일관되게 개선했습니다.

Region-Level Policy Optimization for Fine-grained MLLM Perception세밀한 MLLM 지각을 위한 영역 수준 정책 최적화⭐ 3

이 연구는 위치 파악은 저해상도, 인식은 고해상도로 충분하다는 진단을 바탕으로, 답과 연결되는 이산적 RoI 선택을 영역 수준 정책 최적화로 학습해 고해상도 전체 입력 없이 세밀한 지각 효율을 높였습니다.

💡 멀티모달 연구는 생성 품질 경쟁을 넘어 세계 이해와 선택적 지각 효율로 관심이 이동하고 있습니다. 옴니모달 물리 추론 평가, 도메인 범용 세계모델, 영역 수준 정책 최적화는 멀티모달 모델을 '많이 보는 모델'이 아니라 '필요한 것을 정확히 보는 모델'로 만들려는 흐름을 보여줍니다.