일간 논문

저희는 PerceptionRubrics를 소개합니다. 이는 루브릭 기반 평가 프레임워크로서, 포화 상태의 벤치마크 점수와 실제 환경에서의 취약성 간의 간극을 해결합니다. 평가를 전체론적 의미 매칭에서 엄격한 원자 단위 감사로 전환하여, PerceptionRubrics는 1,038개의 정보 밀도가 높은 이미지와 12,000개 이상의 인스턴스별 루브릭을 결합합니다. 이러한 기준은 새로운 순환 동료 검토 합의 파이프라인을 통해 구축된 골든 캡션에서 도출된 후, Must-Right(필수 사실) 및 Easy-Wrong(세부 세부사항) 루브릭의 이중 스트림 시스템으로 정제됩니다. 핵심적으로, PerceptionRubrics는 게이트 점수 매커니즘을 구현합니다. 선형 평균과 달리, 필수 시각적 사실에 대한 실패는 날카로운 이진 페널티를 촉발합니다. 광범위한 평가는 다음과 같은 중요한 통찰을 제공합니다. (1) 신뢰성 격차: 모델은 종종 분할된 요소를 올바르게 검증하지만 엄격한 결합 제약 조건에서는 실패하여 밀집 영역에서의 취약성을 드러냅니다. (2) 개방-폐쇄 계층화: 추론 동향과 반대로, 오픈소스와 독점 프런티어 간에 8%의 지속적인 인식 결손이 드러납니다. (3) 인간 정렬 엄격성: 게이트된 지표는 기존 벤치마크를 크게 능가하며, 엄격한 지각 충실도가 신뢰할 수 있는 생성의 전제 조건임을 검증합니다.

스트리밍 비디오 생성은 사용자가 청크 단위로 비디오를 점진적으로 생성하는 장기 지속 세션과 상호작용하는 새로운 서빙 워크로드로 부상하고 있다. 오프라인 비디오 생성이나 일반적인 LLM 서빙과 달리, 스트리밍 비디오 생성은 활성 및 유휴 기간 동안 세션 상태를 유지하고, 진행 중인 세션을 반복적으로 스케줄링하며, 각 청크를 엄격한 지연 시간 목표 내에 전달해야 한다. 이는 다중 사용자, 다중 GPU 환경에서 두 가지 주요 서빙 과제를 야기한다: 장기 실행 세션이 시간이 지남에 따라 배치 결정을 최적이 아닌 상태로 만드는 세션 지속 시간 이질성과, 버스트 및 유휴 기간에 걸쳐 활성 세션 수가 급격히 변동하는 시간적 사용자 수요 이질성이다. 본 논문에서는 스트리밍 비디오 생성 워크로드를 위해 특별히 설계된 최초의 서빙 시스템인 TurboServe를 제안한다. TurboServe는 서빙을 세션 배치와 GPU 프로비저닝을 공동으로 조정하는 온라인 스케줄링 문제로 정식화한다. 자체 폐루프 스케줄링 알고리즘은 청크당 최대 지연 시간을 줄이기 위해 GPU 간에 세션을 재균형화하는 마이그레이션 인식 배치 컨트롤러와, 비용 효율성 향상을 위해 워크로드 변화에 맞춰 GPU 예산을 조정하는 부하 기반 자동 확장 컨트롤러를 결합한다. 이러한 결정을 런타임에 지원하기 위해 TurboServe는 동일 GPU 상의 동시 활성 세션을 배칭하기 위한 병합 청크 처리, 세션 일시 중단 및 재개를 위한 GPU-CPU 오프로딩, 온라인 재균형화를 위한 NCCL 기반 GPU-GPU 마이그레이션을 구현한다. 우리는 생슈 테크놀로지의 실제 운영 환경 트레이스를 기반으로 다양한 모델 크기와 최대 64개의 NVIDIA B300 GPU로 구성된 GPU 클러스터에서 TurboServe를 평가한다. 기준 서빙 구성과 비교하여 TurboServe는 청크당 최악의 지연 시간을 평균 37.5%, 총 GPU 운영 비용을 평균 37.2% 감소시킨다. 코드는 https://github.com/shengshu-ai/TurboServe에서 공개적으로 이용 가능하다.

프리필-디코드(PD) 분리형 LLM 서빙에서 각 요청은 프리필 후 디코드 워커에 할당된다. 기존의 디코드 라우터는 부하만을 균형화하는데, 혼합 전문가(MoE) 모델의 경우 이는 불완전하다. 동일한 부하를 가진 워커라도 각 디코드 단계에서 자신의 배치가 활성화하는 모든 개별 전문가의 가중치를 로드해야 하므로 지연 시간이 달라질 수 있기 때문이다. 본 논문에서는 PD 분리형 MoE 서빙을 위한 전문가 지역성 인식 디코드 라우터인 ELDR을 제시한다. 요청의 프리필 전문가 활성화로부터 ELDR은 생성 중 활성화할 전문가를 예측하는 전문가 시그니처를 구축한다. 오프라인에서는 균형 K-평균이 시그니처 공간을 디코드 워커들에 걸쳐 분할하고, 온라인에서는 지역성 대역 라우팅이 각 요청을 해당 시그니처와 가장 잘 일치하는 워커 중에서 부하가 가장 적은 워커로 전송한다. KV 블록 단위로 KV 캐시와 공동 인덱싱되는 시그니처 캐시는 프리픽스 캐싱 하에서도 시그니처를 정확하게 유지한다. vLLM에 구현하고 최대 40GPU 배포에서 평가한 결과, ELDR은 세 가지 MoE 모델과 두 가지 워크로드에 걸쳐 네 가지 부하 분산 기준선 중 가장 강력한 것과 비교하여 중간 TPOT을 5.9-13.9% 감소시키며 모델 출력은 변경되지 않는다.

메모리는 현대 LLM 기반 에이전트의 초석으로 부상하며, 단일 턴 어시스턴트에서 장기 협력자로의 진화를 지원하고 있다. 그러나 메모리가 항상 유익한 것은 아니다. 검색된 메모리는 종종 아첨(sycophancy)이라는 중요한 문제를 유발하여, 에이전트가 사실 정확성이나 객관적 추론을 희생하면서 사용자에게 과도하게 동조하게 만든다. 이러한 새로운 위험에도 불구하고, 기존 메모리 벤치마크는 주로 메모리가 올바르게 저장, 검색 또는 갱신되는지 평가할 뿐, 검색된 메모리가 하위 추론 및 의사 결정에 미치는 영향은 간과한다. 이러한 격차를 해소하기 위해, 우리는 에이전트 시스템에서 메모리 유발 아첨을 평가하기 위한 포괄적인 벤치마크인 MemSyco-Bench를 제안한다. MemSyco-Bench는 메모리가 의사 결정에 영향을 미쳐야 하는 시점과 유효한 메모리를 사용하는 방법을 측정한다. 구체적으로, 에이전트가 메모리를 사실적 증거로 거부할 수 있는지, 적용 범위를 존중하는지, 메모리와 객관적 증거 간의 충돌을 해결하는지, 메모리 갱신을 추적하는지, 개인화를 위해 유효한 메모리를 사용하는지 평가하는 다섯 가지 과제를 포함한다. 모든 관련 자료는 커뮤니티를 위해 https://github.com/XMUDeepLIT/MemSyco-Bench에 수집되어 있다.

우리는 Seed2.0을 소개한다. 이 모델 시리즈는 복잡한 실제 작업을 해결하는 의미 있는 진전을 이루어낸다. 우리의 접근 방식은 사용자의 진정한 필요를 식별하고, 이러한 필요와 현실적이고 복잡한 시나리오에 기반하여 벤치마크를 선별 및 추상화함으로써 신뢰할 수 있고 미래 지향적인 평가 시스템을 구축하는 데서 시작된다. 이 평가 시스템의 지침 아래, Seed2.0은 롱테일 지식과 복잡한 명령 수행이라는 두 가지 지속적인 난제를 목표로 삼아, 복잡하고 장기적인 작업에서 모델의 신뢰성을 크게 향상시킨다. 이에 더해 Seed2.0은 광범위한 사용자층의 가장 일반적인 필요를 충족하는 세계 최고 수준의 추론 지능, 시각 이해, 검색 능력을 제공한다. 본 모델 카드에 기록된 광범위한 실제 사용 사례를 통해, Seed2.0이 초기 단계의 복잡한 실제 작업을 처리할 수 있는 능력을 보이기 시작하여 수억 명의 사용자에게 더 큰 가치를 제공함을 입증한다.

다중 모달 대규모 언어 모델(MLLM)은 종종 언어 공간 병목 현상에 의해 제약을 받아, 복잡한 시각적 추론을 이산 토큰으로 강제 변환함으로써 지각적 미묘함을 잃을 수 있다. 유망한 대안은 연속 잠재 추론으로, 다중 모달 질의와 최종 답변을 연결하는 암시적 추론 경로를 발견하는 것이 목표이다. 그러나 이는 심각한 학습-추론 불일치를 초래한다. 즉, 정답에 조건화된 학습 시점의 사후 분포가 답변에 의존적인 지름길을 활용할 수 있다. 표준 변분 학습은 추론 시점의 사전 분포가 테스트 시점에는 이용 불가능한 정보에 접근할 수 있는 사후 분포를 모방하도록 강제하여, 성능 저하를 유발한다. 이를 해결하기 위해, 우리는 비대칭 상호 변분 학습(AMVL) 프레임워크를 제안한다. 이는 양방향 보정 목표를 통해 이러한 불일치를 해결한다. 순방향 KL 발산은 목표-무관 사전 분포가 사후 분포를 따르도록 학습시키는 반면, 새로운 역방향 KL 발산은 동시에 사후 분포를 정규화하여 추론과 호환되지 않는 영역으로 붕괴되는 것을 방지하고 '답변 누수'를 완화한다. 우리는 이 누수를 사전 분포 오염으로 공식화하는 이론적 분석을 제공하고, 이중 KL 목표가 이를 줄임을 증명한다. 우리는 AMVL을 잠재 통합 MLLM에 구현하였으며, 강력한 이산 및 잠재 추론 기준 모델들을 일관되게 능가하여 복잡한 BLINK 벤치마크에서 평균 점수를 +10.83 향상시키고, 개별 추론 과제에서 최대 +32.00의 성능 향상을 달성하였으며, 분석을 통해 잠재 공간 안정성이 개선됨을 확인하였다.

비전-언어-행동(VLA) 모델은 카메라 포즈 변경, 유사하지만 다른 로봇으로의 전환(예: Panda에서 UR5e로)과 같은 환경 변화 하에서 학습된 동일한 작업을 수행하지 못하는 경우가 많다. 변화된 환경(즉, 대상 도메인)에 이러한 모델을 적응시키기 위해서는 각 작업에 대해 여러 시연(demonstration)에 대한 훈련이 필요하며, 이는 수집 비용이 높다. 데이터 수집 및 훈련의 부담을 줄이기 위해, 우리는 도메인 특정 정보 추가를 통한 가중치 벡터 연산(weight vector arithmetic)을 사용하여 환경 변화 하에서 VLA 모델을 적응시키는 유추 기반 방법인 Domain ARiThmetic(DART)을 제안한다. 기존 접근법과 달리 DART는 단 한 번의 시연만 수집하면 되므로 효율적인 적응이 가능하다. 추가할 도메인 특정 정보를 정확하게 분리하기 위해 DART는 가중치 벡터의 특이 성분(singular components) 간 부분공간 정렬(subspace alignment)을 수행하여 잡음 성분을 걸러낸다. 시뮬레이션 및 실제 환경 실험 모두에서 DART는 다양한 시각적 변화 및 에이전트 변화(embodiment shifts)에 걸쳐 원샷(one-shot) 시나리오에서 기존 VLA 적응 방법보다 우수한 성능을 보인다. 코드는 https://github.com/snumprlab/dart에서 확인할 수 있다.

대규모 언어 모델(LLM) 훈련에서 데이터 혼합은 모델 성능을 결정하는 데 핵심적인 역할을 한다. 최근 방법들은 프록시 모델을 통해 혼합 가중치를 최적화하지만, 이는 데이터 분포가 정적이라는 가정에 의존한다. 결과적으로, 기저 데이터 풀이 변화할 때 이러한 방법들은 처음부터 재훈련하는 데 많은 비용이 소요된다. 이러한 한계는 소규모 환경에서 더 큰 데이터 풀과 모델 크기로 원활하게 확장하는 능력을 제약한다. 본 논문에서는 데이터 혼합 최적화를 인과 추론 문제로 전환하여 이러한 한계를 해결하는 CausalMix를 제안한다. 데이터 풀의 통계적 특징을 공변량으로, 도메인 혼합을 처리로 정식화한다. Qwen2.5-0.5B의 512회 실행 데이터에 인과 모델을 적합하여 조건부 평균 처리 효과(CATE)를 추정한 후, 800K 데이터 풀에 대한 최적 혼합을 외삽하여 7B 모델 훈련에 적용한다. 나아가, 이 프레임워크를 Qwen3-4B-Base의 긴 사고 사슬 데이터로 성공적으로 일반화한다. 인과 모델링을 활용하여 교란 편향을 분리함으로써, CausalMix는 상태에 의존적인 최적 데이터 혼합을 동적으로 추론한다. 광범위한 실험을 통해 CausalMix가 안내하는 혼합이 여러 하위 작업에서 일관되게 성능을 향상시키며, RegMix 및 다른 기준선들을 능가함을 보인다. 또한, CATE 인터프리터를 사용하여 학습된 혼합 전략에 대한 시각적 분석을 제공한다. 종합적으로, CausalMix는 LLM 데이터 혼합 최적화를 위한 인과적이고 해석 가능한 프레임워크를 제공한다.

전통적인 로봇 프로그래밍은 다중 양식 인식(multimodal perception)의 조율, 물리적 접촉 역학(physical contact dynamics)의 관리, 다양한 구성 및 실행 실패의 처리를 요구하기 때문에 어려움이 따른다. 본 연구에서는 ASPIRE(Agentic Skill Programming through Iterative Robot Exploration)를 소개한다. 이는 코드-정책(code-as-policy) 패러다임에서 로봇 제어 프로그램을 자율적으로 작성하고 개선하며, 경험을 재사용 가능한 기술 라이브러리로 축적하는 지속적 학습(continual learning) 시스템이다. ASPIRE는 작업, 시뮬레이션 및 실제 환경, 그리고 구현체(embodiment)를 넘나들며 지속되는 기술을 발견한다. 이 시스템은 개방형 루프(open-ended loop)로 작동하며 세 가지 구성 요소를 갖춘다: (1) 세분화된 다중 양식 추적(trace)을 노출하여 자율적 오류 진단, 수리 합성 및 검증을 가능하게 하는 폐쇄 루프 로봇 실행 엔진; (2) 검증된 수정 사항을 재사용 및 전이 가능한 지식으로 증류하는 지속적으로 확장되는 기술 라이브러리; (3) 단일 궤적 개선을 넘어 탐색하기 위해 다양한 작업 시퀀스와 제어 프로그램을 생성하는 진화적 탐색(evolutionary search). ASPIRE는 외란(perturbation) 하에서 LIBERO-Pro 조작 작업에서 최대 77%, Robosuite 양손 인계(bimanual handover) 작업에서 최대 72%, BEHAVIOR-1K 장기 가정용 작업에서 최대 32%까지 기존 방법 대비 성능을 향상시킨다. 축적된 라이브러리는 또한 보지 못한 장기 작업에 대한 제로샷 일반화(zero-shot generalization)를 가능하게 한다: LIBERO-Pro Long에서 ASPIRE는 기존 방법이 테스트 시 추론과 재시도를 사용함에도 불구하고 4%의 성공률을 보인 반면, ASPIRE는 31%의 성공률을 달성한다. 마지막으로, 시뮬레이션에서 발견된 기술은 시뮬레이션-현실 전이(sim-to-real transfer)의 초기 증거를 제공하며, 다양한 구현체와 로봇 API에서 실제 로봇 프로그래밍 노력을 크게 줄여준다.

세밀한 시각적 추론은 시각-언어 모델에게 여전히 어려운 과제이며, 특히 작지만 중요한 시각적 단서가 고해상도 이미지에 묻혀 있는 경우에 더욱 그렇다. 기존 접근법은 반복적인 자르기 또는 테스트 시간 시각적 검색에 의존하여 국소적 증거를 도입하지만, 일반적으로 지각과 추론을 명시적으로 구분하지 않는다. 본 논문에서는 세밀한 시각적 추론을 두 단계 과정으로 정식화하는 통합 프레임워크인 P2R(Perceive-to-Reason)을 제안한다. 모델은 먼저 Perceiver로서 질문과 관련된 증거를 국소화한 다음, 주석이 달린 이미지와 잘린 영역을 기반으로 Reasoner로서 질문에 답변한다. 이러한 분리된 정식화에 훈련을 더 잘 정렬하기 위해, 최종 답변 감독만을 사용하여 지각 중심 업데이트와 추론 중심 업데이트를 번갈아 수행하는 역할 인식 강화 학습 전략인 PRA-GRPO(Perception-Reasoning Alternating GRPO)를 추가로 도입한다. Qwen3-VL-Instruct-2B/4B/8B를 기반으로 구축된 P2R은 모델 규모 전반에 걸쳐 일관되게 성능을 향상시킨다. 특히 P2R-4B는 V-Star에서 93.2%, HR-Bench-4K에서 81.9%, HR-Bench-8K에서 80.5%를 달성하여 해당 백본을 크게 능가한다. 추가 실험 결과는 P2R의 이점이 고해상도 벤치마크를 넘어 더 광범위한 다중 모드 추론 작업으로 확장됨을 보여준다. 이러한 결과는 지각과 추론을 명시적으로 분리하는 것이 세밀한 시각적 추론을 위한 효과적인 프레임워크를 제공함을 시사한다.

모바일 조작은 범용 로봇의 핵심 능력이지만, 현재의 체화 학습 방법에는 여전히 어려운 과제로 남아 있다. VLA 정책은 일반적으로 반응적이며 명시적인 세계 모델링이 부족한 반면, 기존의 세계 행동 모델(WAM)은 여전히 모바일 조작의 구조와 제대로 정렬되지 않았다. 이들은 거친 비디오 청크 단위로 동작하고, 혼합된 탐색-조작 행동을 모델링하며, 자기회귀 추론과 일치하지 않는 감독 하에 역동학을 훈련한다. 그 결과, 세밀한 접촉 동역학을 놓치고, 행동 분포 충돌을 겪으며, 장기적 롤아웃에서 오류를 축적하는 경우가 많다. 우리는 모바일 조작이 시간적 세분성, 행동 공간, 훈련-테스트 일관성의 세 가지 수준에서 정렬을 필요로 한다는 통찰을 바탕으로 한 새로운 WAM인 ABot-M0.5를 제안한다. 시간적 세분성을 정렬하기 위해, 국소적 시각 상태 전이를 포착하고 비디오 잠재 변수와 구현체별 제어 사이의 연결 행동 공간 역할을 하는 중간 잠재 행동을 도입한다. 행동 공간을 정렬하기 위해, 양식 표현과 베이스 이동 및 팔 조작과 같은 이종 행동 부분 공간을 모두 분리하는 이중 수준 Mixture-of-Transformers 아키텍처를 설계한다. 추론 조건을 정렬하기 위해, 모델이 예측한 비디오에서 점진적으로 역동학을 훈련하여 자기회귀 예측 중 훈련-테스트 정렬과 강건성을 향상시키는 드림 포싱 훈련 전략을 제안한다. 까다로운 모바일 및 세밀한 조작 벤치마크에 대한 실험은 ABot-M0.5가 장기적 과제 성공과 세밀한 제어 정확도 모두에서 최첨단 성능을 달성함을 보여준다. 이러한 결과는 세분성 정렬, 행동 분리, 추론 일관성을 갖춘 세계-행동 모델링의 중요성을 강조한다.

언어 모델(LM)을 훈련하는 과정은, 최첨단 언어 모델 에이전트가 소프트웨어 공학 및 기타 장기적 과제에서 점점 더 뛰어난 성능을 보임에도 불구하고, 여전히 높은 수준의 인간 개입이 필요한 과정이다. 핵심 과제는 자율적 사후 훈련이 단순한 코딩 문제가 아니라는 점이다. 즉, 에이전트가 반복적으로 작업 계획을 수립하고, 벤치마크에 부합하는 데이터를 구성하며, 안정적인 훈련 작업을 실행하고, 체크포인트를 평가하며, 수 시간에 걸친 상호작용 동안 실험 상태를 유지해야 한다. 본 논문에서는 이러한 작업들을 계획, 데이터 준비, 훈련, 평가, 로깅을 위한 에이전트-컴퓨터 인터페이스 저장소로 제공하는 LM 에이전트인 AutoTrainess를 제안한다. AutoTrainess는 에이전트가 불완전하게 정의된 행동 공간을 가진 원시 CLI 환경에서 작동하게 두는 대신, 사전 인간 경험을 명시적 워크플로, 규칙, 실행 제약 조건으로 외부화하여 에이전트가 효과적이고 신뢰할 수 있는 훈련 행동을 수행하도록 안내한다. PostTrainBench에서 AutoTrainess는 CLI 전용 기준선을 지속적으로 능가하여, GPT-5.4(Codex)에서 평균 26.94점을 기록한 반면, CLI 전용 기준선은 23.21점을 기록했다. 또한, 모델과 활용 도구 전반에 걸쳐 일반화되어 DeepSeek-V4-Flash(OpenCode)의 성능을 12.13점에서 19.58점으로 향상시켰다.

트랜스포머는 동일한 순방향 계산 스트림을 사용하여 다음 토큰을 예측하고 미래 토큰 예측을 위한 유용한 상태를 저장한다. 우리는 상태-예측 분리 가설을 제안한다: 두 역할을 분리하면 더 나은 언어 모델링 성능을 얻을 수 있다. 우리는 두 기능을 분리하기 위해 두 개의 계산 스트림을 사용하는 트랜스포머 변형을 설계하고, 다양한 규모에 걸쳐 사전 학습 실험을 수행한다. 실험 결과, 상태-예측 분리는 일관되게 더 나은 데이터 및 계산 효율성을 제공하며, 검증 손실을 개선하고 하위 작업에서 평균 2~3퍼센트 포인트 더 나은 성능을 보인다. 또한 잠재적 혼란 변수를 배제하고 우리 설계에서 발생하는 기울기의 근본적 차이를 입증하는 광범위한 실증 분석을 수행한다.

생의학 연구자들은 단백질 수준 신호를 해석하기 위해 AI 생성 분석 및 보고서를 점점 더 많이 활용하고 있지만, 정적 출력물은 사용자가 증거를 검토하고, 불확실성을 평가하며, 메커니즘을 비교하고, 가설을 정교화해야 하는 연구 의사 결정에 종종 불충분하다. 본 연구에서는 정적 생의학 보고서 생성에서 대화형 증거 중심 상호작용 인터페이스 생성으로 전환하는 다중 에이전트 시스템인 BioInsight를 제시한다. 질병명, 단백질 연관 테이블, 그리고 선택적 코호트 메타데이터가 주어지면, BioInsight는 순위화된 경로, 문헌 증거 패킷, 단백질 수준 추론 노트, 인용 기반 보고서, 대시보드 스키마, 그리고 렌더링된 대화형 인터페이스를 포함한 타입화된 중간 산출물을 통해 질병 특이적 증거를 체계화한다. 이 시스템은 증거 검색을 메커니즘 추론에서 분리하고, 결정론적 구성 요소를 통해 인용을 정규화하며, 보고서에 사용된 동일한 구조화된 증거를 대화형 인터페이스로 전환한다. 우리는 BioInsight를 표준화된 생의학 QA, 까다로운 단백질 기능 추론, 그리고 종단간 생의학 증거 종합 과제에서 평가한다. 결과는 BioInsight가 최고 성능을 달성함을 보여주며, 생의학 AI 시스템이 텍스트 전용 및 정적 보고서를 넘어 출처를 보존하는 대화형 증거 산출물로 나아가야 함을 시사한다.

세계 모델은 모델 예측 제어(MPC)를 가능하게 하지만, 이를 위해서는 온라인 사용에 충분히 빠르면서도 불확실한 미래를 표현할 수 있을 만큼 표현력이 풍부한 동역학 예측이 필요합니다. 확산 모델은 불확실한 동역학을 모델링하는 자연스러운 메커니즘을 제공하지만, 반복적인 추론 절차로 인해 저지연 잠재 계획에 사용하기 어렵습니다. 우리는 가치 확산 세계 모델(Valdi)을 통해 이러한 간극을 해소하며, MPC를 위한 종단간 온라인 훈련과 잠재 확산 동역학 모델을 결합합니다. CarRacing 환경에서의 예비 실험을 통해, 훈련 및 추론 모두에서 단일 확산 단계를 사용하는 Valdi가 결정론적 MLP 기준선과 일치함을 보여줍니다. 실험 결과, 이 설정에서 예측 다중 모드성과 제어 성능 간의 상충 관계가 드러났습니다. 코드는 https://github.com/Kit115/ValueDiffusionWorldModels에서 확인할 수 있습니다.

경량 머신러닝 모델은 자원이 제약된 엣지 배포에 적합하기 때문에 산업용 사물인터넷(IIoT) 네트워크의 침입 탐지를 위해 점점 더 많이 제안되고 있다. 대부분의 보고된 결과는 이러한 모델을 훈련 네트워크 내에서만 평가하여, 보지 못한 네트워크에 대한 동작은 검증되지 않은 상태로 남겨둔다. 본 연구는 하나의 IIoT 데이터셋에서 네 가지 경량 아키텍처를 훈련하고, 재훈련 없이 세 가지 소스 모두에서 공통적으로 사용 가능한 속성으로 제한된 특징 표현을 사용하여 구조적으로 다른 두 개의 IIoT 데이터셋에서 평가한다. 두 개의 최고 성능 모델에 대한 설명 가능성 분석은 두 모델 모두 거칠게 구분된 포트 카테고리 특징에 크게 의존함을 보여준다. 가장 영향력 있는 카테고리는 소스 도메인 공격 트래픽에서 두 대상 도메인보다 96배에서 435배 높은 비율로 발생하며, 이는 포트 해상도를 거칠게 하는 것이 문서화된 지름길을 제거하는 것이 아니라 재배치함을 시사한다. 자연적으로 불균형한 클래스 분포에서의 평가는 추가적인 효과를 드러낸다: 사용된 평가 프로토콜이 더 큰 일반화 문제를 제기하는 것으로 보이는 대상 네트워크를 역전시킬 수 있다는 것이다. 적대적 강건성과 제한된 대상 도메인 노출을 통한 회복도 평가된다. 적대적 교란에 대한 강건성은 교차 네트워크 일반화와 무관하며, 적응을 통한 회복은 아키텍처에 따라 상당히 달라진다. 이러한 발견은 배포 준비 상태를 평가할 때 도메인 내 정확도만이 아니라 현실적인 클래스 분포 하에서의 교차 네트워크 평가를 사용해야 함을 시사한다.

저장소 수준 성능 최적화 벤치마크(GSO, SWE-Perf, SWE-fficiency 등)는 실제 저장소에 패치를 적용하고 런타임을 최적화되지 않은 기준선 및 공식 참조 패치와 비교하여 코딩 에이전트를 평가한다. 이들의 리더보드 점수는 코딩 에이전트의 진전을 입증하는 증거로 점점 더 많이 활용되고 있지만, 이러한 점수는 런타임 불안정성, 벤치마크 특정 채점 규칙, 그리고 적어도 하나의 공개 제출물에 의해 이미 해결된 작업의 수를 혼동할 수 있다. 우리는 세 벤치마크 전반에 걸쳐 이러한 문제들을 감사한다. 첫째, 우리는 Google Cloud 시스템의 네 가지 공통 유형에서 740개 코드 최적화 작업에 대한 공식 참조 패치를 재실행한다. 대부분의 벤치마크 작업은 재실행 가능하지만, 해당 참조 패치는 모든 교차 시스템 재실행에서 원래 벤치마크 유효성 규칙을 만족하는 경우가 GSO 102개 작업 중 39개, SWE-Perf 140개 작업 중 11개, SWE-fficiency 498개 작업 중 411개에 불과하다. SWE-Perf는 많은 참조 패치가 런타임 변화를 거의 일으키지 않기 때문에 특히 취약하다. 둘째, 우리는 공개 제출물 순위가 벤치마크 채점 규칙에 크게 의존함을 보여준다. GSO와 SWE-fficiency가 공유한 8개의 공개 제출물 중, 공식 순위는 28개 쌍별 제출물 비교 중 9개에서 불일치하며, SWE-fficiency의 리더보드 채점 규칙은 최악의 10개 작업에 58.5%~82.8%의 과도하게 높은 점수 가중치를 할당한다. 셋째, 각 작업에 대한 10개의 공개 제출물을 살펴보면, 재실행이 유효한 GSO 및 SWE-fficiency 작업의 85.3%(384/450)에서 적어도 하나의 제출물이 참조 패치와 일치하거나 이를 능가하며, 최적화되지 않은 기준 코드를 능가하는 경우는 99.8%(449/450)에 달한다. 우리의 연구는 더 신뢰할 수 있는 성능 신호를 가진 작업을 식별하고, 작업별 점수 기여도를 정량화하며, 종합 순위에 숨겨진 남은 성능 격차를 드러냄으로써 리더보드 점수를 보완한다.

재료 발견의 가속화를 위해서는 다단계의 도메인 기반 추론을 통해 과학적으로 타당한 가설을 생성할 수 있는 AI 시스템이 필요하다. 표준 대규모 언어 모델은 개방형 재료 설계 문제에 대해 유창하지만 추적 가능성이 낮은 응답을 생성하는 경우가 많아, 최종 답변이 일관된 중간 추론에 의해 뒷받침되는지 판단하기 어렵다. 본 연구에서는 Graph-PRefLexOR라는 그래프 기반 추론 모델군을 개발한다. 이 모델은 그룹 상대 정책 최적화(GRPO)를 통해 미세 조정되어, 메커니즘 탐색, 그래프 구축, 패턴 추출, 가설 종합이라는 명시적 단계로 추론을 구성한다. 이러한 설계는 신경 언어 생성과 기호적 관계 구조를 연결하여, 인과 관계 연결의 구축, 검사, 재사용을 가능하게 한다. 재료 과학 및 역학 문헌의 100개 개방형 질문에 대해 Graph-PRefLexOR는 해당 기본 모델 대비 40~65%의 개선을 달성했으며, 특히 추론 추적 가능성에서 가장 큰 향상을 보였다. 임베딩 분석 결과, 더 넓은 의미론적 탐색과 기준 모델 대비 약 2~3배 더 큰 의미론적 다양성이 확인되었다. 의미론적 역추적 및 계층별 은닉 상태 분석은 구조화된 추론과 최종 답변 간의 더 강한 정렬을 보여준다. 마지막으로, 테스트 시 그래프 확장 실험은 추가 연산이 단순히 의미론적 범위를 확장하는 것이 아니라, 주로 제한된 의미 공간 내에서 장거리 개념 재조합을 증가시킨다는 것을 밝혀냈다. 이러한 결과는 그래프 기반 강화 학습이 재료 설계 및 기타 과학 응용 분야에서 과학적 가설 생성을 위한 해석 가능한 AI 시스템으로 가는 경로를 확립함을 보여준다.

의료 보고서 생성(MRG)을 위한 전통적인 평가 지표는 주로 표면적인 n-gram 중복에 의존하여 임상적 사실 정확성을 포착하지 못하고 종종 치명적인 진단 오류를 간과한다. 우리는 이러한 근본적인 한계를 해결하기 위해 AtomiMed를 제안한다. 이는 보편적이고 모달리티에 구애받지 않는 평가 프레임워크로, 복잡한 의료 내러티브를 표준화된 다단계 계층 구조의 원자적 임상 사실(Atomic Clinical Facts)로 분해하며, 여기에는 질병 수준 개체(Disease-level entities)와 위치, 형태, 중증도를 포함한 속성 수준 기술자(Attribute-level descriptors)가 포함된다. AtomiMed는 정답 보고서와 예측 보고서 간의 에이전틱 교차 검증(Agentic Cross-Verification) 루프를 구현하여 다수의 방사선 전문의가 참여하는 동료 검토 과정을 시뮬레이션함으로써 임상적 일관성을 검증하며, 이를 통해 진단 탐지와 기술 정확성을 분리하여 평가할 수 있게 한다. 표준화된 평가를 용이하게 하기 위해 우리는 자동화된 계층적 추출을 위한 오픈소스 툴킷인 MRGEvalKit을 소개하고, X-ray, CT, MRI, 초음파를 포괄하는 포괄적인 다중 모달 벤치마크인 OmniMRG-Bench를 선별한다. 여러 전문가 주석 독자 연구에 대한 광범위한 실험을 통해 AtomiMed가 전통적인 지표 및 모델 기반 지표에 비해 인간 방사선 전문의의 판단과 훨씬 더 높은 상관관계를 달성함을 입증한다. 우리의 코드는 https://github.com/Venn2336/MRGEvalkit에서 공개되었다.

대규모 언어 모델(LLM)은 테이블 작업에서 우수한 성능을 보이지만, 테이블 구조를 이해함에도 불구하고 데이터 참조 오류(DRE), 즉 테이블 값을 잘못 인용하거나 누락하는 오류를 여전히 발생시킨다. 최종 정답 정확도 외에도 DRE는 중간 추론 단계의 정확성과 신뢰성을 직접적으로 저하시킨다. 그러나 기존 연구는 제한적이고 소규모의 분석만을 제공했다. 본 연구에서는 다양한 모델과 작업에 걸쳐 테이블 데이터 참조 오류에 대한 최초의 체계적 평가를 제시한다. 결과에 따르면 DRE는 테스트된 모든 모델(1.7B에서 20B 파라미터)에서 발생한다. 또한, 데이터 참조를 비평(critic)으로 통합함으로써 비평 기반 필터링과 거절 샘플링을 통해 정답 정확도를 최대 12.0%까지 크게 향상시킬 수 있음을 보여준다. 마지막으로, 분포 내 및 분포 외 DRE를 탐지하는 데 평균 F1 점수 78.2%를 달성하고 더 큰 모델의 추론을 효과적으로 지원하는 경량의 4B 파라미터 비평 모델을 훈련했다.

벤치마크는 대규모 언어 모델(LLM)의 작업 완료 능력을 평가하는 데 널리 사용되지만, 이러한 접근 방식은 구성 타당성 문제를 축적해 왔으며, 통과 점수가 요청된 작업이 실제로 수행되었는지를 보여주지 못할 수 있다. 우리는 이 두 가지 문제를 연구한다. 통제된 코드-사양 설정에서 두 개의 프로덕션 Copilot CLI 에이전트(claude-opus-4.7, gpt-5.5)가 React Fluent-UI 데이터 테이블을 Angular로 재구현하여 재사용 가능한 라이브러리로 만드는 작업을, 18회의 실행과 세 가지 오라클 가용성 조건 하에서 숨겨진 222-테스트 Playwright 오라클을 통해 수행한다. 점수와 함께, 우리는 기계적 라이브러리 감사를 수행하고 각 판정을 무작위 제거 실험(no-op ablation)으로 확인한다. 오라클이 없을 때, 라이브러리는 존재하지만 완성되지 않은 상태로, 점수를 통해 드러난다. 오라클이 루프 내에 있을 때, 점수는 거의 완벽에 가깝지만, 테스트된 동작을 직접 보유한 데모에서 라이브러리는 죽었거나 부재한 상태로 남는다. 우리는 이를 테스트에 맞춰 개발하기(building to the test)라고 부르며, 두 현상 뒤에 있는 더 넓은 성향을 검증 자각(validation self-awareness)이라고 명명한다. 에이전트는 스스로 사용자가 하는 것처럼 자신이 배송한 것을 검증하지 않는다. 이러한 현상의 보편성은 다른 에이전트, 신호, 모델 패밀리에서 여전히 열린 질문이다. 벤치마크 점수를 넘어, 검증 자각과 같은 성향은 연구의 주목을 받을 만하다.

슬라이드 디자인은 데크 테마와 페이지 레이아웃을 모두 개인화해야 한다. 그러나 현재의 AI 에이전트 기반 방법은 세분화된 페이지 수준 디자인에 어려움을 겪는다. 사전 지정된 템플릿이나 사용자의 장황한 지침에만 의존함으로써 잠재된 디자인 의도를 포착하지 못하여 페이지 수준 슬라이드 개인화(PSP) 문제가 해결되지 않은 상태로 남아 있다. 이러한 격차를 해소하기 위해 본 연구는 PSP를 역계획 문제로 정식화한다. 우리는 특정 실행 도구(예: PowerPoint, Beamer)에 대한 지식을 전제하지 않고 디자인 의도를 학습하는 방법을 제안한다. 그러나 이러한 도구에 대한 제어를 포기하면 문제를 종단간 최적화하기가 어려워진다. 이를 극복하기 위해 우리는 PSP를 근사적으로 해결하는 원리적 프레임워크인 SPIRE를 제안한다. 깨끗한 슬라이드의 시각적 구조를 의도적으로 손상시킴으로써 SPIRE는 손상 복원을 위한 검증 가능한 작업을 생성하며, 두 에이전트는 강화 학습(RL)을 통해 협력적으로 실행 가능한 디자인을 개선하는 방법을 학습한다. 우리는 구조적 잡음 제거가 PSP에 대한 일관된 대리 작업임을 증명하고, 다중 에이전트 공식화가 RL의 정책 경사 분산을 엄격히 감소시킴을 입증한다. 광범위한 실험을 통해 SPIRE의 우수성을 입증한다.

텍스트-이미지(Text-to-Image, T2I) 모델은 사실적인 시각 콘텐츠 생성에서 놀라운 성과를 보여주었지만, 과학적 이미지에 요구되는 엄격한 의미 정렬 및 논리적 추론에는 여전히 어려움을 겪고 있다. 퍼스(Peirce)의 기호학적 삼항 관계(Semiotic Triad)에서 영감을 받아, 우리는 과학적 이미지 생성의 훈련 및 평가를 위한 포괄적 자원인 과학적 이미지 추론(Scientific Image Reasoning, SciIR)을 소개한다. 우리는 과학적 추론을 세 가지 핵심 차원, 즉 개체 구조(도상, Icon), 과학적 과정(지표, Index), 과학적 법칙(상징, Symbol)으로 형식화한다. 구체적으로, 과학적 이미지 생성의 훈련 데이터 부족 문제를 극복하기 위해, 우리는 최신 출판물에서 추출한 8만 개 이상의 고품질 과학 이미지-텍스트 쌍을 포함하는 대규모 데이터셋 SciIR-82k를 정교하게 구축하였다. 데이터셋은 기호학적 차원에 따라 계층적으로 구성되며, 기저 시각 논리를 명시적으로 모델링하기 위해 과학적 추론 사고 사슬(Scientific Reasoning Chain-of-Thought, Sci-RCoT)을 통합한다. 평가를 위해, 우리는 이 세 가지 기호학적 수준에 부합하는 SciIR-Bench를 제안하며, 원자 체크리스트(Atomic Checklist)를 활용하여 결과 지향적 과학적 정확성을 과정 지향적이고 검증 가능한 세분화된 질문으로 변환한다. 광범위한 실험을 통해 현재 모델들의 과학적 추론 능력에 상당한 결함이 있음을 발견하였다. 또한, SciIR-82k 데이터셋에서의 미세 조정을 통해 Qwen-Image-SciIR 모델을 개발하였으며, 이 모델은 SciIR-Bench에서 최종 점수를 35%에서 43%로 크게 향상시켜 향후 과학적 이미지 생성 발전을 위한 견고한 기반을 마련하였다.

자율적 과학 발견 시스템은 가설 생성 및 검증 과정을 자동화함으로써 연구를 가속화할 가능성을 제공한다. 그러나 현재 시스템은 제한된 탐색 공간 내에서 작동하거나 사전 정의된 연구 질문을 필요로 하여, 진정한 개방형 탐구를 위한 능력을 제한한다. 또한 가설을 반복적으로 생성하지만, 축적된 발견을 명시적으로 종합하여 복잡하고 상호연결된 현상을 밝혀내는 능력이 크게 부족하다. 우리는 사전에 지정된 연구 목표 없이 동적으로 코드를 생성 및 실행하여 데이터셋을 탐색함으로써 개방형 연구를 수행하는 자율적 대규모 언어 모델 기반 프레임워크인 DiscoPER를 소개한다. 엄격한 과학적 타당성을 보장하기 위해, 제안된 모든 발견은 통계적 검정을 통과해야 한다. 고립된 탐색의 한계를 극복하기 위해, 우리의 프레임워크는 주기적으로 자체 축적 발견을 분석하는 2차 추론 메커니즘을 도입한다. DiscoPER는 이전 발견을 경험적 데이터로 취급하여 구조적 패턴, 혼동 변수, 인식론적 간극을 식별하고, 가설 탐색을 탐색 공간의 미개척 영역으로 능동적으로 전환시킨다. 도구 사용을 통합함으로써 탐색 공간은 더욱 확장되어, 이미지와 같은 다중 모달 소스로부터 유용한 정보를 원활하게 처리 및 추출함으로써 구조화된 메타데이터를 넘어서는 가설 탐색이 가능해진다. 동료 검토 문헌에서 얻은 패턴 수준의 실측 자료를 갖춘 새로운 다중 모달 생태 지식 벤치마크인 iNatDisco에서 평가된 결과, DiscoPER는 72.7%의 가설 지지율로 9개의 알려진 패턴 중 8개를 복원하여, 고전적 인과 발견 및 LLM 기반 기준선을 능가했다. 절제 연구는 DiscoPER가 더 많은 데이터에 따라 확장되며, 2차 메타 반성의 이점을 확인시켜 준다.

비전-언어 데이터셋 증류(VLDD)는 대규모 이미지-텍스트 쌍 데이터셋을 소규모 합성 쌍으로 압축하여, 엄격한 데이터 및 계산 예산 하에서 대조적 비전-언어 모델을 효율적으로 학습할 수 있게 한다. 대부분의 기존 방법은 전문가 궤적이나 교차 모달 통계를 일치시키지만, 여전히 유클리드 임베딩 공간에서 전차원 정렬을 강제한다. 이는 랭크 부족한 이미지-텍스트 상관관계로 인해 종종 지나치게 제한적이며, 공유 의미는 저차원 범위에 집중되고 나머지 변동은 약한 상관 관계를 가진 잔차 부분공간에 분산된다. LoRS는 저랭크 분해를 통해 유사도 수준에서 정렬을 완화하지만, 표현 공간에서 지배적인 정렬 용량과 구조를 명시적으로 제어하지는 않는다. 따라서 우리는 계층적 기하학과 명시적 정렬 용량 제어를 결합한 랭크 인식 쌍곡선 정렬(RAHA)을 제안한다. RAHA는 다중 모달 표현을 쌍곡선 공간으로 끌어올리고, 공유 범위에서 측지선 정렬을 강제하는 비대칭 목적 함수로 증류 쌍을 최적화하며, 잔차 부분공간을 정규화하여 모달리티 고유 다양성을 보존하고 전이 견고성을 향상시킨다. 벤치마크 실험은 RAHA가 고정 예산 하에서 경쟁력 있는 교차 모달 검색과 개선된 전이 지표를 보여줌을 입증한다.

AI(인공지능)을 활용한 문학 작품 번역이 점차 보편화되고 있다. 내용이 적절하게 전달될 수는 있지만, 몰입도와 문학적 효과 측면에서 독자가 이를 어떻게 경험하는지에 대해서는 충분히 알려져 있지 않다. 이러한 측면은 자동 기계 번역 평가지표나 유창성과 적절성을 평가하는 인간 평가로는 제대로 포착되지 않는다. 본 연구에서는 15명의 열성 독자에게 최근 출간된 프랑스어, 폴란드어, 일본어 소설 15편을 영어로 번역한 인간 번역(HT)과 에이전틱 대규모 언어 모델(LLM) 기반 파이프라인으로 생성된 기계 번역(MT)을 비교하도록 요청했다. 독자들은 약 8,000단어 분량의 발췌문을 두 가지 조건으로 평가했다: 전체 발췌문을 몰입하여 읽는 방식(30건 비교)과 정렬된 HT-MT 청크 쌍 386개를 정밀하게 읽는 방식(772건 비교)으로, 각 책당 두 명의 독자가 번갈아 제시되는 순서로 진행했다. 전반적으로 독자들은 MT를 "괜찮다"고 평가했지만, HT가 더 쉽고 명확하며 몰입감이 있다는 이유로 HT를 선호했다(발췌문 수준에서는 30건 중 19건, 청크 수준에서는 772건 중 522건으로 약간 선호). 독자들이 강조한 내용을 보면, MT의 품질은 한 권의 책 내에서도 HT보다 변동성이 크다. 결정적으로, 독자들은 두 번역을 확실히 구분하지 못했으며(30건 중 17건을 정확히 추측), 자신이 인간 번역이라고 믿는 버전을 선호하는 경향을 보였다. LLM-as-a-judge 접근법을 포함한 자동 평가지표는 독자의 선호도를 반영하지 못하고 MT를 선호하는 방향으로 작용했다. 본 연구는 LAIT(Literary AI Translation, 문학 AI 번역) 데이터셋을 공개한다. 이는 독자 중심 평가 데이터셋으로, 독자 코멘트 1,000개, 판단 및 선호도 평가 2,000건, 7,200개의 스팬 수준 주석을 포함하며, 평가 프로토콜과 지원 인터페이스도 함께 제공한다.

본 논문은 다중 턴 시각적 추론(multi-turn visual reasoning)을 탐구하며, MLLM(Multimodal Large Language Models)이 반복적으로 대상을 위치 파악(localization)하는데 실패하여 길고 중복된 궤적(trajectory)을 생성함을 관찰한다. 우리는 이러한 실패를 단일 모델 내에서 추론(reasoning)과 지각(perception)이 얽혀 있는 데서 비롯한다고 본다. 즉, MLLM은 추론과 위치 파악을 동시에 수행하며, 부정확한 위치 파악이 추가적인 추론 턴을 유발하여 궤적을 비대하게 만든다. 이 문제를 해결하기 위해 우리는 PixelEyes를 제안한다. 이는 추론과 지각을 명시적으로 분리한 다중 턴 시각적 추론 에이전트로, 추론기(reasoner)는 무엇을 찾을지 결정하고, 특화된 지각 도구(perception tool)는 그것이 어디에 있는지 담당한다. 구체적으로 PixelEyes는 1) 마스크 기반 시각적 탐색(Mask-guided Visual Search)을 도입한다. 참조 분할 모델(referring segmentation model)을 호출하여 마스크 수준의 정밀한 위치 파악을 제공함으로써, 추론기가 부정확한 접지(grounding)를 보상해야 하는 부담을 없앤다. 2) 의미적 영역 기반 너비 우선 탐색(Semantic-region Breadth-first Search, BFS)을 도입한다. 잘못된 하위 영역을 반복적으로 자르는 데서 발생하는 중복 루프를 제거하기 위해, 탐색을 의미적 영역에 대한 너비 우선 탐색으로 구성한다. 이러한 능력을 내재화하기 위해 기존 데이터에서 전문가 궤적을 재합성하여 PixelEyes-6K 데이터셋을 구축한다. 이는 마스크 기반 탐색과 BFS 로직을 모델에 명시적으로 주입한다. 또한, 질문에 위치 단서가 전혀 없는 제로 힌트 시각적 탐색(zero-hint visual search) 벤치마크인 Pinpoint-Bench를 도입한다. 이 벤치마크는 인스턴스 수준의 마스크와 경계 상자를 제공하여 위치 파악 실패와 추론 실패를 분리함으로써, 주의맹(inattentional blindness)과 같은 실패 모드에 대한 세밀한 분석을 가능하게 한다. 최근 최첨단 MLLM 및 시각적 추론 에이전트들은 Pinpoint-Bench에서 상당한 개선 여지를 남겨두며, 이는 벤치마크의 질과 난이도를 입증한다. 코드와 모델은 오픈소스로 공개된다.

기존의 3D 장면 그래프 생성 방법은 환경 매핑의 높은 계산 비용과 중간 포인트 클라우드 표현을 생성해야 하는 필요성으로 인해 실시간으로 작동하지 못한다. 이 문제를 완화하기 위해, 최근 연구에서는 각 객체에 대해 경량의 가우시안 분포를 선호하여 포인트 클라우드를 배제한다. 이 근사법은 추론 속도를 대폭 향상시켜 실시간 3D 장면 그래프 생성을 가능하게 한다. 그러나 이 표현에는 두 가지 주요 약점이 있다. 1) 각 객체가 단일 3D 가우시안으로 근사되어 3D 기하학적 세부 정보가 심각하게 손실된다. 2) 이 근사와 실제 객체 기하학 간의 차이는 온라인 추론 중 객체 후보들의 부정확한 병합을 악화시킨다. 이러한 문제를 해결하기 위해, 우리는 각 객체를 별도의 비모수적 분포로 표현하는 NoPA를 제안한다. 이 공식은 3D 기하학적 정보를 유지하면서 파라메트릭 가우시안 공식의 실시간 추론을 보존한다. 새로운 객체 표현을 기반으로, 우리는 일관된 객체 인스턴스를 복구하기 위해 맞춤형 병합 전략을 제안한다. 구체적으로, 우리는 커널 밀도 추정에 대한 최대 평균 불일치를 활용하여 추가 계산 복잡성을 최소화하면서 온라인 탐색 중 객체 후보들의 강건한 병합을 가능하게 한다. 핵심은 객체당 고정된 입자 집합을 유지하는 것이다. 또한, 잘못 분류된 객체로 인한 관계 손실을 교정하기 위해 NoPA는 높은 친화도를 가진 객체 간의 관계를 전파한다. 실험 결과, NoPA가 실시간 추론 속도를 희생하지 않으면서 현재 방법들을 크게 능가함을 보여준다.

AI 에이전트가 복잡하고 장기적인 추론을 수행할 수 있는 능력이 향상됨에 따라, 실제 의료 응용 프로그램으로의 진전을 측정하기 위해서는 엄격하고 총체적인 평가가 필수적입니다. 우리는 각각 고유한 환경을 가진 7개 범주에 걸친 54개의 에이전트 기반 의료 작업 세트인 HealthAgentBench를 소개합니다. 이 벤치마크 스위트는 환자 여정 전반에 걸친 다양한 워크플로우와 광범위한 양식(modality)을 포괄합니다. 각 작업은 종단 간 임상 워크플로우를 재현하도록 설계되었습니다. 즉, 최소한의 지침만 주어졌을 때 에이전트는 원시 의료 데이터를 탐색하고, 복잡한 환경 내에서 작동하며, 단순한 프롬프팅을 넘어서는 다단계 솔루션을 실행해야 합니다. 최종 작업 성공률을 보고하여 HealthAgentBench 전반에 대한 각 에이전트의 성능을 단일하고 해석 가능한 지표로 제공합니다. HealthAgentBench에서 최첨단 에이전트를 평가한 결과, 전반적인 작업 성공률이 여전히 낮아 이 스위트의 난이도를 강조합니다. 가장 강력하고 비용 효율적인 에이전트인 Codex GPT-5.5조차 약 42%의 성공률을 기록했습니다. 종합적인 성능 외에도 HealthAgentBench는 작업 범주별로 미묘한 강점과 약점을 드러냅니다. 최첨단 에이전트는 EHR 데이터에 대한 연구 모델링 파이프라인을 자동으로 개발하는 데 가능성을 보이지만, 특히 Claude Code 모델의 경우 의료 영상 처리가 여전히 어려운 과제로 남아 있으며, Codex GPT-5.5는 새로운 능력을 보여주고 있습니다. 큰 검색 공간과 구성적 추론 요구 사항을 결합한 작업은 현재 모든 에이전트에게 어려운 과제로 남아 있습니다. 이러한 결과는 HealthAgentBench가 향후 상당한 발전 여지가 있는 도전적이고 현실적인 벤치마크를 제공함을 시사합니다. 당사는 벤치마크를 https://github.com/microsoft/HealthAgentBench에서 공개합니다.

언어 모델이 추론하도록 훈련하는 가장 널리 사용되는 세 가지 방법은 서로 다른 기술처럼 보인다. 하지만 그렇지 않다. 이 세 가지는 모두 단일 숫자, 즉 프롬프트의 샘플링된 답변들이 얼마나 불일치하는지를 반영하는 표준편차를 조정한다. 이러한 모델이 훈련될 때, 각 문제를 여러 번 답하고, 자동 검사기가 모든 답변을 정답 또는 오답으로 표시한다. 이 표시들의 표준편차는 불일치 정도를 측정하며, 답변들이 정답과 오답으로 균등하게 나뉠 때 가장 크고, 모두 일치할 때 0이 된다. 그룹 상대 정책 최적화(GRPO)는 이 숫자로 나누고, 제대로 된 GRPO(Dr. GRPO)는 나눗셈을 생략하며, 분리된 클리핑 및 동적 샘플링 정책 최적화(DAPO)는 그 값이 0인 그룹을 폐기한다. 각 방법은 저마다의 해결책으로 제시되지만, 이 논문은 이들이 하나의 다이얼에 대한 세 가지 설정임을 증명한다. 그 다이얼은 단순한 장식이 아니다. 정답-오답 보상의 경우, 불일치는 정확히 훈련 업데이트의 크기, 즉 그룹 표준편차 항등식이다. 분할된 그룹이 가장 많은 것을 가르치는 반면, 만장일치 그룹은 아무것도 가르치지 않고 침묵한다. 동일한 결과는 어떤 문제가 가장 큰 가중치를 받아야 하는지와 각 문제에 필요한 시도 횟수를 말해준다. 이 논문은 대규모 실제 난이도 데이터셋(Big-Math)과 통제된 훈련 실행에서 이 직관을 확인한다. 무해해 보이는 정규화 단계가 학습이 어디서 얼마나 강하게 일어날지를 결정하는 다이얼인 것이다.

블라인드 이미지 디블러링(blind image deblurring)은 복잡하고 알려지지 않은 열화(劣化)로부터 충실도 높은 세부 정보와 정합성 있는 구조를 복원해야 한다. 현재의 블라인드 디블러링 기법들은 실제 세계의 공간적으로 변하는 열화에 취약하며, 유효한 텍스처와 인공물을 신뢰성 있게 구분하는 데 필요한 의미 인식(semantic awareness)이 부족하다. 이러한 한계를 극복하기 위해, 우리는 독수리의 시각 체계에서 영감을 받은 동적 의미 정합 재구성 프레임워크인 CogSENet을 제안한다. 독수리의 능동적 단속적 주사(saccadic scanning)를 모방하여, 의미 인식 토큰 재그룹화와 미분 가능 경로 설정(differentiable routing)을 통한 프롬프트 조건부 장거리 의존성 모델링을 가능하게 하는 의미 기반 상태 공간 모듈(Semantic-Driven State Space Module, SDSSM)을 설계한다. 또한 물리적으로 해석 가능한 텍스처 및 구조 복원을 보장하기 위해, 웨이블릿 변환을 사용하여 특징을 고주파와 저주파로 분해함으로써 독수리 망막의 기능적 분화를 반영하는 이중 주파수 융합 블록(BiFreqFusionBlock, BFFB)을 구축한다. 마지막으로, 블러 이미지로부터 연속적인 블러 필드(Blur Field, CBF)를 추정하고 이를 CLIP 의미 사전 정보와 융합하여 최심층 잠재 특징을 조절함으로써 초점 적응을 모방하고, 공간적으로 불균일한 블러 하에서 적응적 복원을 가능하게 한다. 광범위한 실험을 통해 CogSENet이 더 적은 파라미터로 시각적 품질과 구조적 충실도 모두에서 최신 디블러링 방법들을 능가할 뿐만 아니라, 안개 제거, 비 제거 및 잡음 제거 작업에서도 우수한 성능을 보임을 입증한다.

협력적 대화에서 공유된 지각이 공유된 해석을 보장하지는 않는다. 상호 이해는 상호작용을 통해 확립되어야 한다. 우리는 시각-언어 모델(VLM)이 대화 참여자 간에 공유될 수 있는 것과 이미 공유된 것을 그라운딩(grounding)을 통해 구별할 수 있는지 조사한다. 우리는 이를 HCRC MapTask 대화에서 13,077개의 주석이 달린 참조 표현에 대한 해석 일치 과제로 정식화하고, 대화 맥락과 지도 정보 접근을 체계적으로 통제한 조작 하에 VLM을 평가한다. 우리의 결과는 실제 지도 이미지를 제공하는 것이 전반적인 성능을 향상시키지만 모델을 정렬을 과도하게 예측하는 방향으로 전환시킨다는 것을 보여준다. 동일한 지도 내용의 텍스트 설명은 이러한 편향을 재현하는 반면, 정보가 없는 이미지는 정렬 예측을 완전히 억제하는데, 이는 편향이 시각적 채널이 아닌 과제 관련 지도 내용에 의해 주도됨을 시사한다. 이러한 향상은 정렬되지 않은 사례에 대한 정확도 저하를 대가로 발생한다. 보정 분석과 참조 사슬 추적은 모델이 대화 기록을 통해 그라운딩이 어떻게 전개되는지 추적하기보다 지도의 정적 참조 단서에 의존함을 추가로 시사한다. 우리는 이러한 패턴을 Qwen3-VL-8B-Instruct에서 가장 명확하게 관찰하며, 두 아키텍처 계열의 추가 모델 네 개에서도 다양한 정도로 관찰한다. 편향을 나타내는 모델에서 지도 내용은 시각적 또는 텍스트로 제시되든 상호 이해의 증거로 취급되어, 잠재적 공통 기반과 확립된 공통 기반을 혼동한다.

사람들은 지나치게 생각한다; 언어 모델은 지나치게 샘플링하며, 그로 인한 추가 노력은 오히려 더 나쁜 답변을 초래할 수 있다. 추론 시스템은 어려운 질문에 대해 여러 번 샘플링(테스트 시간 확장)함으로써 답을 구하는데, 샘플링을 많이 할수록 올바른 답이 어딘가에서 등장할 확률이 높아진다. 따라서 적어도 한 번의 올바른 시도가 있는 문제의 비율인 커버리지는 상승하며, 이는 진전으로 보인다. 그러나 실제 배포 시스템은 하나의 답변을 반환해야 하며, 어떤 시도가 올바른지 모르는 상태에서 답을 선택하는 것이 선별이다. 선별에는 한계가 있으며, 일정 지점을 넘어서면 추가 샘플은 모델이 확신에 찬 오류를 더 확신하게 만들 뿐, 모든 샘플이 비용을 추가한다. 상승하는 커버리지와 정체된 선별 사이의 간극, 즉 식별 가능성 격차는 모델이 생성할 수는 있지만 선택할 수 없는 답을 의미한다. 따라서 진짜 문제는 샘플링을 할 것인지가 아니라 얼마나 할 것인지이며, 그 답은 '많이 하지 말라'이다. 답변을 선택할 때, 투표는 수십 번의 샘플링 이내에 이미 결정된다(모달 상한). 벤치마크 점수를 매길 때는 더욱 빠르다(상관 상한). 그 이상으로 추가 샘플은 계산 비용만 들이고 아무것도 더하지 않으며, 심지어 답변을 더 나쁘게 만들 수도 있다. 이 논문은 이러한 컷오프를 단일 숫자, 즉 유효 샘플 수로 변환하며, 이는 모든 샘플링 실행에서 이미 드러난다. 병목 현상은 올바른 답을 생성하는 것이 아니라 인식하는 데 있다.