오늘의 한줄
오늘 논문들은 LLM 추론·압축·에이전트 학습의 실전 병목을 정면으로 다룹니다. 특히 도구 호출 RL의 크레딧 할당, 장기 추론 안정화, 멀티태스크 적응·서빙 효율화처럼 실제 배포 성능을 좌우하는 구조적 개선이 두드러집니다.
📄Robotics & RL4
VLA-Precision: Asymmetric Co-Bootstrapping for Efficient Real-World Online RL of Vision-Language-Action ModelsVLA 정밀 조작을 위한 비대칭 공동 부트스트래핑 온라인 RL⭐ 81
VLA-Precision은 ACoB와 ACoB-Stream으로 개입 기반 초기 학습과 자율 경험 기반 가치 보정을 결합해, 대형 VLA의 실세계 온라인 RL에서 정책 드리프트와 처리량 병목을 동시에 줄이며 정밀 조작 성능을 높였습니다.
Morphometric Imitation: From Morphology and Contact Aware Hand Retargeting to Sim-to-Real Visuomotor Policy형태·접촉 인지 손 리타기팅에서 심투리얼 시각운동 정책까지⭐ 10
Morphometric Imitation은 MMO, residual RL, 정책 증류의 3단계로 인간 손-물체 상호작용을 로봇 손에 옮겨, 3종 로봇 손과 10개 HOI에서 접촉 F1을 모든 기준선 대비 최소 8포인트 개선하며 제로샷 sim-to-real 조작을 구현했습니다.
D-JEPA: A Decision-Aligned Latent World Model의사결정에 정렬된 잠재 월드 모델⭐ 9
D-JEPA는 목표와 더 가까워 보이는 예측이 실제로는 더 나쁜 결과를 낳는 decision-local gap을 겨냥해, 실행 결과 기반 순서 신호로 후보 미래를 재정렬하는 decision-aligned latent world model을 제안했습니다.
💡 로보틱스에서는 단순한 예측 정확도보다 실제 실행에서의 의사결정 정렬과 데이터 효율이 핵심 화두로 보입니다. 온라인 RL, 접촉 보존 리타기팅, 촉각 자기지도처럼 현실 제약을 직접 반영하는 설계가 sim-to-real 성능을 좌우하고 있습니다.
📄Training & Optimization3
RayOrch: Programming and Executing Lineage-Controlled Multi-Grain Dataflows for Foundation-Model Data Preparation파운데이션 모델 데이터 준비를 위한 계보 제어형 멀티그레인 데이터플로우 엔진⭐ 16
RayOrch는 부모-자식 계보와 순서를 유지한 채 가변 길이 확장·수집 파이프라인을 선언적으로 실행해, 문서·비디오 기반 파운데이션 모델 데이터 준비를 더 안정적으로 GPU 배치화할 수 있게 합니다.
MOPD-Router: Rethinking Teacher Routing in Multi-Teacher On-Policy Distillation멀티 교사 온폴리시 증류의 교사 라우팅 재설계⭐ 3
MOPD-Router는 프롬프트 단위 하드 라우팅 대신 토큰마다 전체 교사 풀에서 감독 신호를 선택·가중하며, ExpertAlign으로 교사의 전문성에 맞는 수정 신호를 골라 도메인 라벨 없는 혼합 데이터에서도 증류 효율을 높였습니다.
Not All Ranks Are Equal: Budget-Aware LoRA Merging Across Tasks태스크별로 다른 랭크 예산을 반영한 LoRA 병합
이 논문은 모든 레이어·태스크에 동일한 랭크를 배분하는 가정을 깨고, SVD 방향의 효용과 간섭을 함께 점수화하는 Net Utility로 제한된 예산 아래 더 나은 LoRA 병합을 수행합니다.
💡 학습·시스템 최적화는 이제 모델 자체보다 데이터플로우, 교사 선택, 예산 배분 같은 주변 의사결정을 얼마나 정교하게 설계하느냐의 싸움으로 옮겨가고 있습니다. 특히 라벨 부족·혼합 데이터·제한된 랭크 예산을 다루는 실용적 최적화가 두드러집니다.
🗣️Language Models4
Disaggregated Quantization: Specializing LLM Prefill and Decode프리필과 디코드를 분리 최적화하는 LLM 양자화⭐ 6
Disaggregated Quantization은 프리필과 디코드에 서로 다른 양자화 전략을 적용해 정확도와 속도를 함께 끌어올렸고, Qwen3.8-27B에서는 NVFP4 프리필러만 추가해 1-bit MMLU-Pro를 32.5포인트, MMMU-Pro를 35.3포인트 개선했습니다.
Depth-adaptive Inference of Looped Language Models via Continuous Depth Batching연속 깊이 배칭을 통한 루프형 언어모델의 깊이 적응 추론⭐ 3
Continuous Depth Batching은 토큰마다 반복 횟수가 다른 looped LM을 효율적으로 배치하기 위해 루프 단계 사이에서 배치를 재구성하고 KV 캐시와 종료 예측을 함께 관리해, 깊이 적응 추론의 실용성을 크게 높였습니다.
Softmax Reparameterization for Output-Head Quantization출력 헤드 양자화를 위한 소프트맥스 재매개화
Softmax Reparameterization은 출력 헤드를 양자화 전에 함수적으로 동등한 형태로 1차원 탐색해 선택하는 후처리 기법으로, Phi-4-mini에서 W4 AW-MSE KL을 0.936에서 0.256으로 크게 낮췄습니다.
💡 LLM 연구는 추론 품질 향상과 서빙 효율 개선이 동시에 진행되고 있습니다. 장기 추론 바이어스를 구조적으로 제어하는 방법과, 프리필·디코드·출력 헤드·깊이 적응 배칭처럼 추론 경로를 세분화해 최적화하는 접근이 함께 부상합니다.
👁️Computer Vision3
FoMo: Forking Moment in Generative Trajectory as a Perceptual Distance생성 궤적의 분기 시점으로 측정하는 지각 거리⭐ 10
FoMo는 디퓨전 생성 궤적에서 두 이미지가 갈라지는 시점을 지각 거리로 정의해, 사람 라벨 없이도 점수형 IQA 학습 신호를 자동 생성하는 새로운 참조 기반 화질 평가 프록시를 제안합니다.
TRACE: Temporal Audit and Condition-aware Evaluation of Streaming Video Understanding스트리밍 비디오 이해를 위한 시간 감사·조건 인지 평가⭐ 6
TRACE는 증거가 언제 유효해지는지, 히스토리를 어떻게 유지하는지, 언제 응답하는지를 명시하는 스트리밍 비디오 평가 체계로, 517개 비디오 1,240개 기록에서 8개 시스템의 정확도·지연·신뢰성을 함께 비교하게 합니다.
LightMIS: Ultra-Lightweight Medical Image Segmentation Without a Stage-Wise Decoder단계별 디코더 없이 구현한 초경량 의료영상 분할⭐ 3
LightMIS는 stage-wise decoder 없이 5단계 인코더 출력을 한 번에 정렬·융합하는 구조로, 0.131M 파라미터와 0.575 GFLOPs만으로 6개 데이터셋에서 modality-macro Dice 86.71%를 기록했습니다.
💡 비전 분야에서는 모델 정확도 자체보다 평가와 효율의 재정의가 인상적입니다. 사람 지각을 대체하는 자동 품질 척도, 스트리밍 조건을 명시하는 평가, 초경량 의료 분할처럼 실제 사용 맥락에 맞춘 측정과 경량화가 연구를 이끌고 있습니다.
📄Multimodal & Generative2
BoundInk: Boundary-Aware Online Handwriting Generation경계 인지 온라인 손글씨 생성⭐ 6
BoundInk는 문자 사이 경계를 명시적 생성 단위로 모델링해 필기체 연결성과 간격 일관성을 개선하고, 기존 궤적 유사도만으로는 놓치던 경계 품질을 측정하는 평가 프레임워크도 함께 제시했습니다.
FuseReg: Regularizing Layer Fusion Mitigates the Reconstruction-Generation Gap in Representation Autoencoders표현 오토인코더의 재구성-생성 격차를 줄이는 레이어 융합 정규화⭐ 12
FuseReg는 RAE에서 고정 휴리스틱 대신 무작위 레이어 부분집합으로 학습해 교차 레이어 불일치 민감도를 줄였고, ImageNet-256의 DINOv3-L 설정에서 단일 디코더로 더 높은 PSNR과 생성 품질을 달성했습니다.
💡 생성 모델은 더 좋은 표현을 쓰는 것만으로는 충분하지 않고, 어떤 구조를 공유하고 어디를 분리할지에 대한 설계가 성능을 가릅니다. 손글씨 경계 모델링과 RAE 레이어 융합 정규화 모두 생성 품질을 좌우하는 숨은 구조적 단위를 전면에 끌어냈습니다.
💻Code & Agents4
SLCA-GRPO: Resolving Cross-Segment Credit Misattribution in Tool-Calling RL도구 호출 RL의 구간 간 크레딧 오할당을 해결하는 SLCA-GRPO⭐ 2
SLCA-GRPO는 도구 호출과 자연어 요약이 섞인 출력에서 세그먼트별로 advantage를 분리하는 Segment-Locked Credit Assignment를 도입해, 요약 토큰의 잡음이 도구 결정 학습을 망치는 문제를 완화했습니다.
AgentWorld: Benchmarking Long-Horizon Collaboration of Multi-agent LLMs멀티에이전트 LLM의 장기 협업을 측정하는 AgentWorld
AgentWorld는 50라운드 이상, 3~20개 에이전트가 비대칭 역할로 협업하는 100개 과제와 CCE 지표를 통해, 단순 성공률이 아닌 실제 협업 기여도를 측정하는 장기 멀티에이전트 벤치마크를 제시했습니다.
Game Arena: Strategic LLM Evaluation in Competitive Environments경쟁 환경에서 전략성을 평가하는 LLM 게임 아레나
Game Arena는 체스·포커·웨어울프의 헤드투헤드 경쟁을 통해 모델 진화에 따라 난도가 함께 오르는 동적 평가 플랫폼을 구축해, 정적 벤치마크의 포화 문제 없이 전략·적응·불확실성 대응력을 비교합니다.
💡 에이전트 연구는 이제 단일 턴 성능보다 장기 협업과 구조화된 행동 학습을 얼마나 제대로 평가·최적화하느냐로 이동하고 있습니다. 도구 호출 RL의 세그먼트별 크레딧 할당, 멀티에이전트 협업 지표, 경쟁 게임 기반 평가가 그 흐름을 잘 보여줍니다.