오늘의 한줄
오늘은 에이전트의 반성·의사결정·메모리 같은 실행 지능과, 3D/비디오 기반 월드모델·생성모델의 구조적 고도화가 두드러졌습니다. 동시에 코딩 에이전트와 보안, 하네스 설계, 실사용 평가처럼 배치보다 운영 현실을 겨냥한 벤치마크 연구도 강하게 늘고 있습니다.
🗣️Language Models2
StartLux-Decision: AutoThink Decision Models with Reinforcement Learning for Calibrated Deliberative DecisionsStartLux-Decision: 보정된 숙고형 의사결정을 위한 AutoThink 결정 모델⭐ 416
StartLux-Decision은 단일 패스 Instant와 불확실할 때만 추론하는 AutoThink를 함께 학습하고, RLCD^2로 확률 보정과 추론 길이를 최적화해 제한 내 종료 비율을 최대 48%p 높이고 평균 추론 길이를 줄였습니다.
Jeva: System One Models from First PrinciplesJeva: 원리에서 출발한 시스템 1 모델⭐ 63
Jeva는 null-aware, 순열 불변, 옵션 확장성, 캐시 가능성이라는 결정 구조를 직접 반영한 decision-native 아키텍처로, 요청과 선택지를 분리 인코딩해 빠르고 재사용 가능한 직접 의사결정을 구현합니다.
💡 의사결정형 LLM은 이제 단순히 답을 생성하는 모델이 아니라, 확률 보정·선택지 구조·추론 호출 시점까지 설계하는 방향으로 가고 있습니다. 생성 능력보다 ‘언제 바로 답하고 언제 생각할지’를 구조적으로 다루는 것이 실전 효율과 신뢰성을 좌우한다는 흐름이 뚜렷합니다.
📄Robotics & RL4
LeWAM: End-to-End World and Action Modeling with JEPAsLeWAM: JEPA 기반 종단간 월드·액션 모델링⭐ 231
LeWAM은 다음 잠재상태 예측과 액션 플로우 매칭을 함께 학습하는 종단간 JEPA로, 접촉 중심 과제 성공률을 28.6%에서 89.7%로, 장기 과제를 10.9%에서 46.2%로 끌어올리며 계획 속도도 32.3배 높였습니다.
More Methods, Better Agents? A Reality Check on Self-Distillation in Agentic Reinforcement Learning방법이 많아지면 에이전트도 좋아질까? 에이전트 RL 자기증류의 현실 점검⭐ 32
이 연구는 10개 자기증류 방법과 GRPO를 132회 학습, 12,124.4 H800 GPU시간 규모로 직접 비교해 성능뿐 아니라 안정성·비용까지 점검하며 에이전트 RL의 과장된 비교 관행에 제동을 걸었습니다.
UNITAS: A 3D-Native World Action Model for Embodied ManipulationUNITAS: embodied 조작을 위한 3D 네이티브 월드 액션 모델⭐ 37
UNITAS는 이미지 잠재공간 대신 공통 metric 3D 좌표계에서 관측·행동·장면 변화를 함께 다루는 첫 3D-native WAM으로, 사람 손과 로봇 그리퍼를 동일한 action flow로 표현해 embodiment 간 일반화를 노렸습니다.
💡 로보틱스는 픽셀 예측보다 제어 친화적인 잠재·3D 표현으로 이동하고 있으며, 월드모델도 계획·조작·에이전트 시스템 전체를 포괄하는 쪽으로 확장되고 있습니다. 동시에 대규모 비교 평가가 늘면서, 성능 주장만이 아니라 학습 안정성과 계산비용까지 함께 검증하는 문화가 자리잡고 있습니다.
📄Multimodal & Generative4
Any Time, Any Space: A World-State-Centric Framework for Agentic Video GenerationAny Time, Any Space: 월드 상태 중심의 에이전트형 비디오 생성 프레임워크⭐ 197
ATAS는 장면 기하와 이벤트 시간을 분리 저장하는 scene/event memory로 샷 간 공간·시간 일관성을 관리해, 4개 비디오 생성기 전반에서 교차 샷 일관성 지표와 종합 벤치마크 점수를 모두 개선했습니다.
VideoJev: System One Model for Video Understanding and InteractionVideoJev: 비디오 이해와 상호작용을 위한 시스템 1 모델⭐ 52
VideoJev는 MLLM의 생성형 디코딩을 시간 구간·텍스트 선택지 점수화 헤드로 대체해 비디오 QA와 temporal grounding을 통합하고, Cached/Joint inference로 다중 질의 처리 효율까지 높였습니다.
Multics: Generative Multi-Player World Model with Hierarchical CommunicationMultics: 계층적 커뮤니케이션을 갖춘 멀티플레이어 생성 월드모델⭐ 57
Multics는 플레이어·그룹·전역 토큰의 계층형 통신 구조로 멀티플레이어 비디오 생성의 quadratic 비용과 이벤트 간 간섭을 줄여, 더 많은 플레이어로 확장 가능한 공유 세계 시뮬레이션을 제안합니다.
💡 비디오·이미지 생성은 이제 한 장면의 품질보다 장기 일관성, 다중 주체 확장성, 인간 선호 정렬처럼 시스템 수준 제약을 푸는 단계로 진입했습니다. 메모리 구조와 통신 토폴로지, 보상 설계가 생성 모델의 핵심 경쟁력이 되고 있습니다.
💻Code & Agents7
Player-1: Learning to Play from Synthetic ExperiencePlayer-1: 합성 경험으로 게임 플레이 학습하기⭐ 75
Player-1은 상대 포인터 이동·지속 입력·복합 액션을 포함한 게임 제어 공간과 6,044개 궤적, Player-1-Gym을 결합한 후학습 프레임워크로 데모 의존을 넘어 게임 제어 학습을 확장합니다.
Agent-Reflex: Teaching Language Agents to Act ReflectivelyAgent-Reflex: 언어 에이전트가 반성적으로 행동하도록 가르치기⭐ 55
Agent-Reflex는 도구 피드백 교란으로 반성 메타스킬을 발굴하는 RSD, 이를 학습하는 ReSFT, 그리고 강화학습 단계를 결합해 noisy MCP 환경과 사용자 개입 상황에서 실패 복구 능력을 강화합니다.
AesCode: Aesthetic Code Generation with Decoupled Cross-Modal RewardsAesCode: 분리형 크로스모달 보상으로 미적 코드 생성⭐ 62
AesCode는 코드와 렌더링을 연결하는 design graph와 결정적 검증기·VLM 심사 기반 분리형 크로스모달 보상으로 슬라이드·포스터·대시보드 코드의 미적 품질과 내용 충실도를 함께 끌어올립니다.
💡 에이전트 연구는 이제 모델 자체보다 반성, 메모리, 하네스, 보안처럼 운영 레이어를 정면으로 다루기 시작했습니다. 실제 배포에서 중요한 것은 정답률만이 아니라 실패 복구, 환경 설계, 산출물 안전성이라는 점을 보여주는 논문들이 많았습니다.
👁️Computer Vision3
Urbex: Agentic Spatial Grounding for City-Scale 3D ScenesUrbex: 도시 규모 3D 장면을 위한 에이전트형 공간 그라운딩⭐ 79
Urbex는 도시 규모 3D 그라운딩을 후보 랭킹 대신 능동 탐색 문제로 바꾸고 RL로 도구 사용 정책을 학습해, CityRefer에서 최고 Hit@1·IoU를 달성하면서 후보 없는 그라운딩과 더 빠른 추론을 보여줬습니다.
FlashVSR+: Efficient Video Super-Resolution via Hybrid Attention and Reward-Yield Distribution MatchingFlashVSR+: 하이브리드 어텐션과 보상 기반 분포 정합으로 효율화한 비디오 초해상도⭐ 46
FlashVSR+는 지역성 중심 하이브리드 어텐션과 Ry-DMD 정렬 학습으로 DiT 대비 최대 2배 속도, 45% 메모리 절감, 단일 24GB 4090에서 4K 무타일 VSR을 가능하게 했습니다.
GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual PrimitivesGroundingPI: 시각 프리미티브로 물리 지능을 겨냥한 그라운딩 파운데이션 모델⭐ 32
GroundingPI는 점·박스를 양자화 좌표 토큰으로 생성하는 4B 그라운딩 모델로, 34개 벤치마크 평균 73.68%를 기록해 GPT-6 Astra의 71.54%를 넘었고 로봇 조작·자율주행 백본 성능도 개선했습니다.
💡 비전 연구는 더 큰 백본 경쟁을 넘어, 실제 환경에서 필요한 정밀 그라운딩·고해상도 효율·능동 탐색으로 무게중심이 이동하고 있습니다. 특히 RL이나 생성형 표현을 접목해 ‘보는 것’에서 ‘찾고 결정하는 것’으로 비전 모델의 역할이 넓어지고 있습니다.