일간 논문

AI 에이전트는 이제 짧고 명확하게 정의된 작업을 자율적으로 완료할 수 있게 되었다. 그러나 기존의 터미널 벤치마크는 대부분 수 분 이내에 종료되며 최종 결과만으로 평가되는 단순한 문제에 초점을 맞추고 있다. 이러한 구성은 중간 진행 상황과 부분 해결책을 간과하여 희소한 보상 신호와 불완전한 에이전트 능력 평가를 초래한다. 본 연구에서는 실험 재현, 소프트웨어 공학, 멀티모달 분석, 대화형 게임, 과학 계산 등 9개 범주에 걸친 46개의 장기 지평(long-horizon) 과제로 구성된 터미널 벤치마크인 Long-Horizon-Terminal-Bench를 제안한다. 각 과제는 참조 솔루션 또는 시뮬레이션 엔진을 갖춘 Terminal-Bench 스타일의 설정을 따르면서도, 세분화된 단계별 평가 과제로 분해된다. 이러한 설계는 조밀한 중간 보상과 부분 점수를 가능하게 하여, 에이전트가 최종 목표에 도달했는지 여부뿐만 아니라 개방형 워크플로우에서 얼마나 진행되었는지도 평가할 수 있게 한다. Long-Horizon-Terminal-Bench의 과제는 일반적으로 수백 회의 에피소드와 수 분에서 수 시간의 실행 시간을 필요로 하며, 일회성 문제 해결보다는 장기 지평 계획, 장기 맥락 관리, 반복적 디버깅을 강조한다. 15개의 최첨단 모델을 평가한 결과, 에이전트는 과제당 평균 9.9M 토큰을 소비하고, 실행당 약 231회의 에피소드와 85.3분의 실행 시간을 기록하여, Long-Horizon-Terminal-Bench가 기존의 터미널 기반 벤치마크보다 더 높은 요구 조건을 제시함을 확인했다. 가장 강력한 평가 모델조차 부분 보상 임계값 0.95에서 15.2%, 완전 보상 임계값 1.0에서 10.9%의 pass@1을 기록했으며, 전체 모델의 평균 통과율은 각각 4.3%와 1.7%에 불과했다. 이러한 결과는 개선의 여지가 크다는 것을 보여준다. 또한 실패 모드와 오류 패턴을 분석하고, Long-Horizon-Terminal-Bench를 공개하여 장기 지평 터미널 에이전트의 향후 발전을 지원하고자 한다.

대규모 기반 모델의 급속한 발전은 주로 대규모 텍스트 말뭉치에 대한 사전 학습에 의해 주도되어 왔다. 그러나 많은 형태의 지식은 시각적 표현을 통해 전달되며, 그림, 조판된 수식, 페이지 레이아웃은 텍스트만으로는 정확하거나 완전하게 포착할 수 없는 풍부한 정보를 담고 있다. 하지만 현재의 사전 학습 접근법은 문서 및 웹 페이지와 같은 시각적으로 풍부한 자료를 언어 지능 학습을 위해 일반 텍스트로 변환함으로써 이러한 시각적 단서를 무시한다. 본 논문은 언어 모델이 반드시 텍스트 전용 표현으로 학습되어야 한다는 기본 가정에 도전하며, 시각적 사전 학습이 기반 모델 지능을 위한 확장 가능한 학습자임을 보여준다. 이를 위해, 우리는 텍스트 추출 없이 시각적 문서를 직접 활용하는 비지도 시각적 사전 학습 패러다임에 대한 체계적 연구를 수행한다. 여러 백본과 벤치마크에 걸쳐, 동일한 기반 말뭉치에 대한 시각적 사전 학습은 텍스트 전용 사전 학습보다 일관되게 우수한 성능을 보이며, 확장 가능한 언어 지능을 위한 효율적인 경로를 제공한다.

다음 토큰 예측에 의해 주도되면서, NLP는 작업별 모델에서 강력한 범용 기반 모델로 전환되었습니다. 그렇다면 컴퓨터 비전에서 범용 모델을 달성하기 위해 필요한 동등한 촉매는 무엇일까요? 본 논문에서 우리는 대규모 텍스트-비디오 생성이 컴퓨터 비전을 위한 강력한 사전 학습 패러다임으로 작용하여, 일반 시각 지능에 필요한 시공간적 사전 정보, 시각-언어 정렬 및 확장성을 제공한다고 주장합니다. 우리는 GenCeption을 소개합니다. 이는 사전 학습된 비디오 생성 확산 백본을 활용하여 피드포워드 인식 모델을 정의하며, 텍스트 명령에 따라 다양한 비전 작업을 수행할 수 있습니다. 실험 결과는 GenCeption이 깊이, 표면 법선, 카메라 포즈 추정, 표정 기반 분할, 3D 키포인트 예측 등 다양한 작업에서 최첨단 성능을 달성하며, 종종 전문 모델(예: DepthAnything3, SAM3, D4RT, VGGT-Omega, Sapiens, David, Genmo, Lotus-2)과 일치하거나 능가함을 보여줍니다. 또한 비디오 생성 사전 학습 백본은 유사한 설정에서 대체 사전 학습 패러다임(예: V-JEPA, Video MAE)보다 우수한 성능을 보입니다. 중요하게도, GenCeption은 초기 데이터 및 모델 확장 속성과 함께 뛰어난 데이터 효율성을 나타내며, 7~500배 적은 훈련 데이터로 D4RT 및 VGGT-Omega와 같은 선도적 모델과 비슷한 성능을 달성합니다. 마지막으로 GenCeption은 흥미로운 창발적 행동을 보여줍니다: 합성 인간 비디오만으로 훈련된 모델이 실제 영상과 분포 외 객체 범주(예: 동물 및 로봇)에 일반화됩니다. 이러한 결과는 비디오 생성이 단순한 합성 도구가 아니라 물리적 세계를 위한 범용 비전 지능으로 가는 기초적인 경로임을 시사합니다. 프로젝트 페이지: https://genception.github.io

큰 목표를 한 번에 달성하기는 어렵고, 이를 작은 단계로 나누는 것이 더 현명하다. 본 논문에서는 동적으로 근접 교사를 구성함으로써 악명 높은 불안정성과 고분산 특성을 지닌 온-정책 증류(OPD)를 안정적인 훈련 패러다임으로 변환하는 신뢰 영역 정책 증류(TOP-D)를 제안한다. 이론적으로, 우리는 TOP-D가 본질적으로 그래디언트 분산을 제어함을 보여주는 엄밀한 프레임워크를 확립한다. 단조 개선 한계와 함께 형식적 전역 수렴 분석을 제공함으로써, 전체 훈련 동역학의 신뢰성과 안정성을 수학적으로 공식화한다. 실증적으로, TOP-D는 수학적 추론 과제에서 훈련 안정성, 샘플 효율성 및 최종 성능을 극적으로 향상시킨다. 더 중요한 것은, TOP-D가 추가 계산 오버헤드를 전혀 도입하지 않는다는 점이며, 이는 잘 확립된 OPD 패러다임에 대한 유망한 대안으로 자리매김한다.

사후 훈련 양자화(PTQ)는 재훈련 없이 대규모 언어 모델(LLM)을 압축하는 데 널리 채택된 기법이다. GPTQ를 포함한 기존의 2차 PTQ 방법들은 오직 입력 활성화 통계량으로부터만 양자화 목적 함수를 구성하며, 이는 모든 출력 채널이 계층별 재구성 목적에 동등하게 기여한다고 사실상 가정한다. 우리는 이러한 가정에 도전하여 그래디언트 공분산을 양자화 파이프라인에 도입하는 PTQ 프레임워크인 KronQ를 제안한다. 크로네커 분해 헤시안 근사 하에서 양자화 손실은 활성화 공분산과 그래디언트 공분산 모두에 공동으로 의존하며, KronQ는 이를 두 가지 상호 보완적 수준에서 활용한다. (1) KronQ는 양방향 비일관성 처리를 도입하여, 기존의 입력 측 무작위 회전을 그래디언트 공분산을 사용하여 출력 차원으로 확장함으로써 입력 및 출력 차원 모두에서 가중치 크기 분산을 줄인다. (2) KronQ는 그래디언트 및 활성화 헤시안 트레이스에 기반한 계층 간 혼합 정밀도 할당을 위한 새로운 민감도 측정치를 도출한다. 특히 LLaMA-3-70B에 대한 2비트 가중치 전용 양자화의 경우, GPTQ와 GPTAQ가 발산하거나 비정상적인 양자화를 생성하는 반면(WikiText-2에서 2000 이상의 혼란도), KronQ는 7.93의 혼란도를 달성한다.

대규모 텍스트-이미지 모델은 RGB 생성 사전 학습이 풍부한 의미, 구조 및 기하학적 사전 지식을 학습하기 때문에 밀집 예측을 위한 매력적인 백본이다. 기존의 생성 및 편집 접근 방식은 밀집 예측을 대상 생성으로 간주하여 이러한 사전 지식을 재사용한다: 깊이, 법선, 알파 매트, 마스크, 히트맵과 같은 주석을 RGB로 학습된 VAE 잠재 공간으로 인코딩하고 이를 다시 이미지와 유사한 대상으로 디코딩한다. 우리는 이것이 밀집 예측에 필요한 것보다 생성적 출력 인터페이스를 더 많이 계승한다고 주장한다: RGB 합성과 달리 밀집 예측은 새로운 RGB 콘텐츠를 렌더링하는 것이 아니라 동일한 이미지 평면에서 픽셀 정확하고 작업 고유의 필드를 요구한다. 우리의 핵심 관찰은 사전 학습된 DiT가 이미 이미지 평면의 패치-토큰-패치 격자를 통해 RGB 입력을 구성하므로 각 토큰은 RGB 외관 대신 작업 고유의 양을 담을 수 있는 고정된 출력 패치를 인덱싱한다는 것이다. 우리는 이것을 ReChannel로 구현한다: DiT의 입력 분포를 위해 VAE 인코더는 유지하지만 대상 측 디코더는 제거하고, 작업 LoRA로 고정된 DiT를 적응시키며, 각 토큰을 공유된 토큰 지역 선형 헤드(약 33K 파라미터, 공간 혼합 없음)를 통해 p x p x K_t 픽셀 공간 패치로 매핑한다. FLUX-Klein을 사용하여 6가지 밀집 예측 작업과 12개 이상의 벤치마크에서 평가한다. 이 최소 인터페이스는 트라이맵 없는 매팅, KITTI 깊이, 참조 분할에서 새로운 최첨단을 설정하고 법선, 현저성, 자세에서 경쟁력을 유지한다. 동일한 4B 설정에서 편집 및 잠재 디코딩 방식보다 더 정확하고 2.48배 빠르다 – 밀집 지각은 생성적 사전 학습의 이점을 얻되 그 출력 인터페이스를 계승하지 않아도 된다.

긴 컨텍스트 처리는 대형 언어 모델(LLM)에 있어 점점 더 중요해지고 있지만, 단순히 컨텍스트 윈도우를 확장한다고 해서 긴 입력을 효과적으로 활용할 수 있는 것은 아니다. 입력 길이가 증가함에 따라 정확도가 종종 저하되는데, 이는 모델이 질문에 가장 관련성이 높은 증거를 식별하고 활용하는 데 여전히 어려움을 겪고 있음을 시사한다. 긴 컨텍스트 활용을 개선하는 유망한 방법 중 하나는 테스트 시점 학습(TTT)으로, 테스트 컨텍스트를 인스턴스별 파라미터 적응을 위한 훈련 예제로 취급한다. 그러나 전체 긴 컨텍스트에 TTT를 적용하는 것은 비용이 지나치게 많이 들고, 무작위로 샘플링된 구간에 적응하면 심각한 노이즈가 발생한다. 긴 컨텍스트의 대부분 구간은 특정 질문과 무관하기 때문에, 이에 대해 훈련하면 오히려 기본 모델의 성능이 저하될 수 있다. 예비 연구 결과, TTT는 훈련 구간의 품질에 매우 민감하다는 것을 확인했다. LongBench-v2에서 무작위로 샘플링된 구간에 TTT를 적용하면 성능이 하락하는 반면, 오라클 구간에 TTT를 적용하면 성능이 크게 향상된다. 이러한 동기에 기반하여, 우리는 간단한 방법인 자기 유도 TTT(S-TTT)를 제안한다. 적응 전에 모델이 학습해야 할 증거 구간을 스스로 식별하고, 선택된 구간에만 표준 언어 모델링 학습 목표를 적용하는 방식이다. 두 가지 까다로운 긴 컨텍스트 추론 벤치마크인 LongBench-v2와 LongBench-Pro에서 S-TTT는 Qwen3-4B-Thinking-2507과 Llama-3.1-8B-Instruct 모두의 정확도를 향상시켰으며, 최대 15%의 상대적 개선을 달성했다.

LLM(대규모 언어 모델)을 미세 조정하여 새로운 지식을 주입할 때 중요한 과제가 발생한다: LLM은 새로운 사실을 빠르게 기억할 수 있지만, 이를 하위 추론 작업에 활용하지는 못한다. 본 연구에서는 이러한 실패를 **알고 활용 간 격차(Knowing–Using Gap)** 로 공식화하며, 이는 기억화(memorization)와 일반화(generalization) 간의 정확도 차이와 시간적 지연으로 특징지어진다. 이 현상을 이해하기 위해, 우리는 LLM을 사전에 학습되지 않은 지식으로 미세 조정하고, 자체 패칭(self-patching)이라는 새로운 개입 기법을 사용하여 내부적으로 지식의 공간적 침투 동역학을 모니터링한다. 자체 패칭은 표현을 재배치함으로써 실패한 일반화 사례를 유의미하게 개선하는 활성화 위치를 식별한다. 이러한 결과는 지식 회로 부정합(knowledge-circuit misalignment) 가설과 일관된다: 기억된 표현이 내부적으로 존재할 수 있지만, 연산 효율적인 계층으로 경로 설정되지 않을 수 있다는 것이다. 본 진단적 발견의 실용성을 입증하기 위해, 우리는 일반화 실패에서 오라클 여유 공간(oracle headroom)의 58~75%를 회복하는 간단한 휴리스틱 전략을 설계한다. 실험은 이 발견의 견고성을 위해 교차 도메인으로 수행된다.

본 연구에서는 전방향 표현의 회전 등변성 특성(rotation-equivariant property)을 활용하여 파노라마 세계 모델의 장기 기억(long-range memory) 문제를 해결하고자 한다. 여기서 회전은 암시적 기하 변환으로 처리될 수 있다. 이러한 통찰을 바탕으로, 현재 행동 모델링과 장기 기억을 위해 고정 방향(fixed headings)을 통한 병진 운동(translations)으로 카메라 궤적을 단순화하는 PanoWorld를 제안한다. 이를 위해 조밀 전방향 광선 조건화(Dense Panoramic Ray-Conditioning, DPRC)와 기하 인식 메모리 증강(Geometry-aware Memory Augmentation, GMA)을 도입한다. 이후 각 구성 요소를 점진적으로 최적화하기 위한 3단계 학습 파이프라인을 소개한다. 또한, 기존 데이터셋이 비교적 안정적인 상황에서 대규모 공간 변동과 다양한 조명 조건 하의 물리적 일관성을 더 잘 평가하기 위해, 전방향 무인 항공기로 수집한 실제 세계 비디오 클립과 AirSim360으로 생성한 고품질 시뮬레이션 클립으로 구성된 대규모 데이터셋 World360을 구축하였다. World360에 대한 광범위한 실험을 통해 PanoWorld의 효과성을 입증하였으며, 이는 다른 방법들에 비해 큰 폭의 성능 우위를 보였다. 우리의 모델, 학습 코드, 데이터셋은 공개될 예정이며, 자세한 정보는 프로젝트 페이지(https://lihaoy-ux.github.io/panoworld-page/)에서 확인할 수 있다.

자율주행 기술 개발에 있어 현실적이고 다양한 교통 시뮬레이션은 필수적이다. 그러나 기존 벤치마크는 대부분 현실성(realism)을 중시하며, 최근 방법론들도 이에 맞춰 최적화되어 다양성(diversity)은 충분히 탐구되지 못했다. 본 논문에서는 현실성과 다양성을 동시에 추구하는 다중 에이전트 시뮬레이터, Flow-ERD를 제안한다. 그 핵심 구성 요소인 Agent-Type Aware Flow Matching (AFM)은 플로우 매칭(flow matching)의 다중 모달 표현력과 유형별 운동학적 실행을 결합하여, 각 에이전트 유형에 적합한 움직임을 유지하면서 미세한 다양성을 보존한다. 두 번째 단계인 Entropy-Regularized Distillation (ERD)은 엔트로피 정규화된 역방향 KL 목적 함수(entropy-regularized reverse-KL objective)를 사용하여 폐루프 롤아웃 분포(closed-loop rollout distribution)를 미세 조정한다. 이를 통해 고밀도 모드로의 붕괴를 명시적으로 방지하면서 공변량 이동(covariate shift)을 완화한다. Flow-ERD는 로그 없는 다양성 지표(log-free diversity metric)와 표준 현실성 점수를 함께 사용하여 평가된다. Flow-ERD는 WOSAC 테스트 벤치마크에서 1위를 차지했으며, 재현 가능한 베이스라인 중 현실성-다양성 파레토 프론트(Pareto front)를 지배한다. 프로젝트 페이지는 https://seulbinhwang.github.io/flow-erd-project-page/{여기}에서 확인할 수 있다.

의료는 본질적으로 다중 양식(multimodal)적이며, 임상의는 다양한 데이터 스트림에 걸쳐 정보를 종합해야 한다. 그러나 다중 양식 기반 모델(multimodal foundation model)의 개발은 대규모 고품질 임상 데이터에 대한 제한된 접근성으로 인해 제약을 받는다. PubMed Central(PMC)은 전문가가 작성한 이미지-텍스트 데이터의 보완적 출처를 제공하지만, 기존의 PMC 기반 리소스는 충실도(fidelity), 재현성(reproducibility), 임상 검증(clinical validation) 측면에서 여전히 제한적이다. 본 연구에서는 MedPMC를 소개한다. 이는 자동화되고 지속적으로 업데이트 가능한 프레임워크로, 허용 라이선스(permissively licensed) 문헌을 의료 다중 양식 모델을 위한 고충실도 인프라로 변환한다. 610만 개의 PMC 논문에 적용하여 MedPMC는 1100만 개의 의료 이미지-텍스트 쌍을 선별하였다. 구성 요소 평가에서 초기 스크리닝(F1 = 93.2), 다중 패널 그림 탐지(F1 = 96.5), 그림 분리(mAP = 89.8), 캡션 분리 및 정렬(F1 = 81.4; ROUGE-L = 85.3), 의료 그림 분류(F1 = 96.5)에서 우수한 성능을 보였다. 5명의 주석자(이 중 3명은 의학 훈련을 받음)의 수동 검토 결과, MedPMC 이미지의 95.3%가 의학적으로 관련 있는 것으로 나타난 반면, 이전 PMC 기반 데이터셋에서는 19.7%에 불과했다. 11개 전문 분야에 걸친 26개 벤치마크 실험에서, MedPMC로 훈련된 CLIP 스타일 모델은 절반 미만의 이미지-텍스트 쌍을 사용했음에도 불구하고, 가장 강력한 아키텍처 일치 생의학 CLIP 기준선(baseline) 대비 평균 제로샷 AUC를 7.1% 포인트 향상시켰다. 다중 양식 대규모 언어 모델(multimodal large language model)의 비전 인코더로 사용되었을 때, 두 개의 벤치마크에서 의료 시각 질의응답(medical visual question-answering) 성능을 각각 1.9% 포인트 및 16.9% 포인트 향상시켰다. Yale New Haven Health System의 10,524장 피부과 사진에서, 형태-이미지 검색 Recall@5를 11.7% 포인트 개선하였다. 이러한 결과는 고충실도 문헌 선별이 벤치마크 및 임상 환경 전반에서 의료 다중 양식 기반 모델을 강화함을 보여준다. 본 연구에서는 프레임워크, 코퍼스, 벤치마크 및 사전 훈련된 모델을 공개한다.

음소 분할과 인식은 본질적으로 관련된 작업이지만, 현대적 접근법은 일반적으로 이들을 별도로 모델링한다. 본 논문은 음성 구조가 이미 자기 지도 음성 모델(S3M)의 표현에 잠재되어 있으며, 두 작업을 모두 해결하기 위해 이를 조정하기만 하면 된다고 주장한다. 우리는 S3M 기반 음운 활성 매핑(SPAM)을 활용하며, 이는 각 S3M 표현 프레임을 유성음 및 비음성과 같은 음운 특징 활성화 벡터로 매핑한다. SPAM 위에 우리는 인식 헤드와 분할 헤드라는 두 가지 단순하지만 효과적인 경량의 경사 하강법 불필요 예측 헤드를 도입한다. 본 방법은 1분 미만의 음성 전사만을 필요로 하며, 훈련 중 보지 못한 음소에도 일반화된다. 다양한 데이터셋에서 우리의 접근법은 강력한 분할 및 인식 성능을 달성한다.

본 논문에서는 독일어 및 영어를 위한 주권형 오픈소스 전문가 혼합(MoE) 하이브리드 Mamba 트랜스포머 기반 모델인 Soofi S 30B-A3B를 제시한다. 이 하이브리드 설계는 토큰당 300억 개 중 30억 개의 매개변수만 활성화하며, 컨텍스트가 증가함에 따라 추론 캐시를 거의 일정하게 유지함으로써 긴 컨텍스트 및 높은 동시성 배포 환경에서 밀집 모델 대비 확실한 처리량 이점을 제공한다. 약 27조 개의 토큰으로 사전 학습되었으며 독일어에 의도적으로 가중치를 높인 Soofi S는 영어 및 독일어 종합 벤치마크에서 140억~270억 개 매개변수 규모의 밀집 모델과 동등한 성능을 보일 뿐만 아니라, 17개 오픈 베이스 모델 중 두 언어 모두에서 최고의 코드 종합 점수를 달성했으며, 활성 매개변수 측면에서 훨씬 더 큰 모델을 포함한 비교 대상의 모든 유럽 주권형 기준 모델을 능가한다. 완전 개방형 모델 중에서는 Soofi S가 영어와 독일어 평가에서 가장 높은 점수를 기록하며 Olmo 3 32B 및 Apertus 70B를 앞질렀다. Soofi S는 뮌헨에 있는 도이치 텔레콤이 운영하는 주권형 HPC 규모 AI 인프라인 독일 산업 AI 클라우드에서 종단간 구축되었다. Soofi S는 매우 허용적인 오픈 액세스 조건으로 공개될 예정이며, 여기에는 가중치, 선택된 중간 체크포인트, 전체 소스별 데이터 기록, 하이퍼파라미터, 학습 및 평가 코드가 포함된다. 소스 라이선스가 허용하는 경우 데이터 구축 아티팩트는 허용적 라이선스로 공개되며, 상업용 라이선스 소스는 집계 통계 및 정확한 혼합 기록과 함께 문서화된다.

시각-언어 모델(VLM)은 3D 디지털화와 자연어 기반 유물 탐색을 연결함으로써 대화형 디지털 박물관을 점점 더 실현 가능하게 만들고 있다. 그러나 고대 그리스 도자기와 같은 문화유산 분야에서 신뢰할 수 있는 VLM 지원은 두 가지 과제로 인해 제한된다. 첫째, 개방형 해석은 세밀한 2D/3D 시각 증거를 전문 큐레이터 지식에 근거하여 정립해야 하지만, 검색 과정에서 약한 출처와 검증 불가능한 참조가 도입될 수 있다. 둘째, 이용 가능한 증거가 불완전하거나 잡음이 많거나 모호할 때, VLM은 보정된 불확실성 대신 자신감은 있지만 뒷받침되지 않는 답변을 생성하는 경우가 많다. 이러한 과제를 해결하기 위해 우리는 고대 그리스 도자기를 위한 지능형 디지털 박물관용 경량 모듈형 멀티모달 에이전트 프레임워크인 VaseMuseum을 제안한다. VaseMuseum은 대화형 가상 박물관과 VaseAgent를 결합하며, VaseAgent는 멀티모달 인식, 3D 인식 추론, 외부 지식 검색, 추론 시 신뢰도 제어를 통해 2D 이미지와 3D 유물을 모두 지원한다. 구체적으로 VaseAgent는 권위 있는 웹 및 박물관 지식 소스에서 증거를 검색하며, 생성 전에 소스 수준 제어를 통해 다양하고 검증 가능한 증거를 선택한다. 한편, 응답 수준 제어는 생성된 주장을 증거 풀과 대조하여 확인하고, 증거가 불충분하거나 상충될 때 중립적이고 증거에 기반한 답변을 유도한다. 또한, 훈련 없는 GRPO 스타일 선택 메커니즘은 VLM 백본을 업데이트하지 않고도 유효한 참조와 보정된 신뢰도를 가진 응답을 선호한다. 실제적인 디지털 박물관 시뮬레이션에서의 실험 결과, VaseMuseum은 검색이 가능한 VLM 베이스라인에 비해 인용 타당성을 개선하고, 지식 집약적 질의에서 환각(허구 생성)을 줄이며, 모호한 상황에서 더 중립적인 답변을 생성함을 보여준다.