일간 논문

AI 튜터는 각 학생의 강점, 약점, 선호하는 지도 방식에 적응할 때 가장 유용하지만, 어떤 지도가 어떤 학생에게 효과적인지에 대한 증거는 실제 학습자로부터 수집하기에 양이 부족하고 속도가 느리며 비용이 많이 든다. 학생 시뮬레이터는 이러한 신호를 대리하여 제공할 수 있지만, 기존 접근법에는 한계가 있다. 상태 추적 모델은 학생 행동에 적합하게 학습되지만 설명이나 교정을 처리하는 데 어려움을 겪는 반면, LLM 역할극은 지도를 유창하게 따르지만 모방 대상 학생의 능력과 안정적으로 일치하지는 않는다. 본 논문은 풀링 훈련에 이은 학생별 전문화를 통해 학생별 희소 데이터를 개별화된 시뮬레이터로 전환하는 훈련 프레임워크인 StudentSim을 제시한다. 결과로 얻어진 시뮬레이터는 학생 자신의 응답을 반영하면서도 튜터의 지도에 따라 응답을 갱신한다. 또한 체스, 제2언어 영어 쓰기, 수학 분야의 60명의 학생을 대상으로 하고 연구용으로 공유된 비식별 기록이 포함된 공개 학습자 데이터셋을 사용하는 표준화된 프로토콜인 StudentSimEval을 소개한다. StudentSimEval은 시뮬레이터가 학생의 응답과 얼마나 잘 일치하는지(행동 충실도, F)와 튜터 지도에 따라 얼마나 쉽게 갱신되는지(지도 반응성, R)를 측정하며, 모든 방법은 동일한 기록에 대해 적합 및 평가된다. 세 영역 전반에 걸쳐 StudentSim은 두 지표 모두에서 GPT-5.4를 능가한다. 체스에서 StudentSim은 F=0.51, R=0.91을 달성했으며, GPT-5.4는 각각 0.23과 0.72, Maia2는 각각 0.45와 0.27을 기록했다. 개념 증명으로서, 튜터 강화 학습을 위한 보상 모델로 StudentSim을 사용하면 RL이 없는 기준선이나 GPT-5.4 시뮬레이터 보상으로 훈련된 튜터보다 전문가들이 더 정확하고, 지도가 더 우수하며, 더 개인화된 것으로 평가하는 체스 튜터를 생성한다. 코드는 https://github.com/microsoft/StudentSim에서 확인할 수 있다.

본 논문에서는 자율주행을 위한 비전-언어 파운데이션 모델 개발의 첫 단계로서 Qwen-Drive-1.0을 제안한다. Qwen-Drive-1.0은 사전 학습된 비전-언어 모델(VLM)의 아키텍처를 유지하면서 3D 인식, 시각 질의응답, 모션 플래닝을 하나의 통합 프레임워크 안에 결합한다. 외부의 조감도(BEV) 인식 헤드는 3D 객체 탐지, 의미론적 점유 예측, BEV 맵 분할을 동시에 수행한다. 이 헤드는 공유된 VLM 표현으로부터 접근 가능한 3D 정보를 점검하는 프로브 역할을 하며, 3D 장면 구조에 대한 명시적이고 검사 가능한 인터페이스를 제공한다. 플래닝 전문가(Planning Expert)는 공유 VLM 표현을 조건으로 삼아 미래의 자차 궤적을 생성한다. 단계적 훈련 방식은 주행 지도(supervision)와 범용 비전-언어 데이터를 결합하여 주행 특화 역량을 습득하는 동시에 폭넓은 시각 이해 및 지시 수행 능력의 보존을 돕는다. 실험 결과, 일반적인 비전-언어 능력이 대부분 유지되면서 강력한 3D 인식과 주행 장면 이해 성능이 입증되었다. 또한 개루프, 유사 폐루프, 폐루프 설정을 아우르는 종합 평가를 통해 매우 경쟁력 있는 모션 플래닝 성능을 확인하였다.

루프를 적용한 트랜스포머(Looped Transformers)는 공유된 레이어 블록을 반복함으로써 유효 깊이를 증가시키지만, 대부분의 평가는 모델 크기를 고정한 상태에서 이루어져 구조적 이점과 추가 FLOPs를 혼동한다. 우리는 토큰당 FLOPs, 총 비임베딩 파라미터 수, KV 캐시를 긴밀히 일치시키면서 MoE(Mixture-of-Experts) 트랜스포머에서의 루프(looping)를 연구한다. 일련의 어블레이션을 통해 우리는 SMELT(Sparse MoE Transformer, middle layers Loop Twice)라는 방법을 도출했다. 이는 전체 레이어 중 가운데 절반을 두 번 반복하면서, 세 가지 예산 모두에서 루프를 적용하지 않은 기준(Baseline) 모델과 일치한다. 우리는 SMELT를 비임베딩 파라미터 최대 540억(54B) 개까지 네 가지 규모로 확장하고, 각 아키텍처에 대해 별도의 Chinchilla식 스케일링 법칙을 적합시켰다. SMELT의 손실은 연산량이 증가함에 따라 더 빠르게 감소하여, 계산 최적 경계에서 훈련 FLOPs의 6.8~18.0%를 절약한다. 이러한 이점은 검증 손실이 예측하는 수준을 넘어 다운스트림 벤치마크로 전이되며, 코드 작업에서 가장 크고 샘플 길이와 맥락 내 예제 수가 증가함에 따라 더 커진다. 메커니즘 분석은 두 번째 통과가 어텐션 싱크(attention sink)를 줄이고 어텐션 확률 질량을 내용 관련 토큰으로 재분배함을 보여주는데, 이러한 귀납적 편향이 관찰된 성능 향상의 바탕이 될 수 있다. 이러한 결과는 루프가 예산을 일치시킨 조건에서도 트랜스포머를 개선할 수 있음을 보여주며, 깊이 재사용을 측정 가능한 성과로 전환하는 실용적인 방법을 제공한다.

멀티모달 GUI 에이전트는 디지털 작업 자동화를 위한 유망한 패러다임으로 부상했지만, 벤치마크 중심 모델에서 신뢰할 수 있는 실세계 애플리케이션으로의 전환은 제한된 환경 커버리지, 취약한 작업 구성, 그리고 불신뢰성 높은 보상 검증으로 인해 여전히 어려운 과제로 남아 있다. 본 연구에서는 모바일, 웹, 데스크톱 환경 전반에서 통합된 폐루프 추론-행동 프레임워크를 통해 작동하는 범용 기반 GUI 에이전트인 UI-Venus-2를 제시한다. 실질적 배포로의 격차를 해소하기 위해, 우리는 세 가지 핵심 차원을 공동으로 확장한다: (1) 환경(Environments): 170개 이상의 다국어 모바일 앱과 네이티브 데스크톱 운영체제로 커버리지 확장; (2) 작업(Tasks): 기능 기반 명령 생성을 위한 심층 조사(deep-research) 파이프라인 도입; (3) 검증(Verification): 훈련을 위한 신뢰할 수 있는 강화학습 신호를 보장하기 위해 시각적 키포인트와 다중 모델 투표를 활용한 추적 수준(trace-level) 및 샘플 수준(sample-level) 평가자 채택. 또한, 중대한 결과를 초래하는 행동의 통제된 실행을 보장하기 위해 안전 인식 메커니즘을 통합한다. UI-Venus-2는 유능하고 효율적이며 오픈소스인 기반을 제공함으로써, 실세계 애플리케이션을 위한 보다 일반화 가능하고 검증 가능하며 자기반성적 에이전트로의 발전을 촉진한다.

본 논문에서는 33B MiniMax-H3 비디오 생성기를 대화형 세계 모델로 전환하는 효율적인 프레임워크인 H3-World를 제안한다. 핵심 발견은 대규모 비디오 생성기의 성능이 향상됨에 따라 언어가 제어를 위한 자연스러운 인터페이스로 부상하고 있다는 점이다. 예를 들어, MiniMax-H3는 자연어 명령을 통한 캐릭터 행동 및 카메라 움직임의 제로샷 제어를 이미 지원한다. 이를 기반으로 H3-World는 전용 행동 모듈을 도입하지 않고도 이러한 조악한 언어 인터페이스를 정밀하고 시간적으로 근거한 세계 제어로 전환한다. 구체적으로, 각 행동을 캐릭터 및 카메라 명령의 구조화된 조합으로 표현하고 이를 해당 시간적 비디오 잠재 표현과 정렬한다. 제어의 시간적 정밀성을 확보하기 위해 시간적 어텐션 라우팅을 추가로 도입하여 각 명령이 의도된 시간 구간에만 적용되도록 제한하고 행동 간 제어 누출을 줄인다. 중요하게도 H3-World는 대규모 비디오 사전학습 중 학습된 의미론적 표현을 직접 재사용하며 경량 적응만을 요구한다. 단 8,000개의 게임플레이 샘플, 10,000회의 LoRA 최적화 단계, 0.199%의 학습 가능한 파라미터만으로 H3-World는 강력한 생성 품질을 유지하면서 효과적인 캐릭터 및 카메라 제어를 달성한다. 또한 보지 못한 시나리오에도 일반화된다. 이러한 결과는 대규모 비디오 생성기에서 나타나는 제어 능력이 대화형 세계 제어로 효율적으로 전환될 수 있음을 보여준다.

로봇 조작은 근본적인 확장(scaling) 문제에 직면해 있다. 강건한 일반화는 광범위한 물리적 경험을 요구하지만, 행동 레이블이 포함된 로봇 궤적은 수집 비용이 높고 본질적으로 다양성이 제한적이다. 1인칭(egocentric) 영상은 다양한 환경에서의 객체 상호작용, 접촉 역학, 도구 사용, 장기 행동을 포착함으로써 훨씬 더 확장 가능한 체화된(embodied) 경험의 원천을 제공한다. 핵심 과제는 이처럼 풍부하지만 행동 정보가 없는 경험을 효과적인 로봇 제어로 변환하는 것이다. 본 논문에서는 대규모 영상으로부터 일반화 가능한 세계 행동 모델(World Action Model, WAM)을 학습하는 확장 가능한 프레임워크인 ZimaBlue를 제안한다. ZimaBlue는 3단계 학습 커리큘럼을 따른다. 먼저 대규모 인간 및 로봇 1인칭 영상에 대한 인과적 체화 영상 사전학습(causal embodied video pre-training)을 수행한다. 다음으로, 통합된 행동 표현을 이용한 비디오-행동 중간 학습(video-action mid-training)을 통해 학습된 시각적 역학을 이종 로봇 궤적에 접지(grounding)한다. 마지막으로 실제 배포를 위해 모델을 대상 로봇에 특화시킨다. 생성형 WAM을 실시간 제어에 실용적으로 사용하기 위해 ZimaBlue는 비동기식 Slow-Fast 이중 시스템 아키텍처를 추가로 채택한다. 고용량의 Slow 세계 모델은 일반화 가능한 시공간 표현을 제공하고, 경량 Fast 분기는 NVIDIA RTX 4090에서 30Hz의 행동 예측을 가능하게 한다. 실물 로봇 제로샷(zero-shot) 평가에서 학습 데이터를 대상 로봇 궤적만으로 한정한 설정에서 120,000시간이 넘는 체화 영상까지 확장했을 때 성공률은 36.1%에서 77.8%로 향상되었다. ZimaBlue는 또한 여러 벤치마크에서 강력한 성능을 보여주며, 특히 본 적 없는 작업(unseen tasks)에서 성능 향상이 두드러진다.

데이터 레지던시(data residency) 제약 때문에 기업들은 LLM을 자체 호스팅해야 한다. 그러나 이전 모델을 서비스에서 내리지 않은 채 최신 모델을 계속 도입하면 서빙 플릿(fleet)이 확장되어 한정된 GPU 풀이 단편화된다. 우리는 프로덕션 오류 분석을 통해 지시 수행(instruction following)·함수 호출(function calling)·내부 태스크 분포(internal task distribution)의 세 축에서 식별된 품질 격차를 해소함으로써 200개 이상의 내부 애플리케이션 트래픽을 단일 모델로 통합한다. 품질은 프로덕션 트래픽 분포에 맞춰 층화된 오프라인 벤치마크로 추적되며, 결정적 검증기(deterministic verifier) 또는 보정된 LLM 평가자(calibrated LLM judge)가 채점한다. 모든 목표를 공동 최적화하면 도메인 간 보상 간섭이 발생하므로 우리는 축마다 별도의 GRPO 전문가를 학습하고 이를 2단계 SLERP로 병합한다. 각 전문가의 보상은 서로 다른 실패 모드, 즉 의미론적 붕괴(semantic collapse), 함수 과잉 호출(over-calling), 장황성 해킹(verbosity hacking)을 드러내며, 각각 도메인 특화 수정이 필요하다. 비추론(non-reasoning) 모드에서 이 방법은 자체 Arena(69.6 대 65.8), 지시 수행(0.85 대 0.83), 함수 호출(0.79 대 0.77) 부문에서 총 파라미터 수가 약 7배 더 큰 기준 모델을 능가하며, 일반 대화 벤치마크도 향상시킨다. 이 모델은 월 1억 1600만 건의 요청, 즉 플랫폼 트래픽의 50%를 기존 서빙 비용의 극히 일부만으로 처리한다.

다중 홉 질의응답(QA)의 핵심 병목은 질문이 표현되는 세분성(granularity)과 말뭉치 증거가 검색 가능한 세분성이 종종 일치하지 않는다는 점이다. 기존 방법들은 말뭉치에 고정된 그래프 구조를 부과하거나, 질의를 반복적으로 재구성하거나, 생성된 프로그램을 실행하는 방식으로 이러한 불일치를 해결하려 하였다. 그러나 이러한 전략들은 질의 단위가 언제 증거에 의해 이미 뒷받침되는지, 언제 정제되어야 하는지를 명시적으로 결정하지 않는다. 우리는 이 병목을 검색 가능한 세분성 발견(retrievable granularity discovery)으로 정식화하고, 계층적 질의 정제를 위한 증거 조건부 프레임워크인 Hi-Q를 제안한다. 각 질의 노드에서 해결 연산자(resolution operator)는 검색된 증거가 현재 질의 단위를 뒷받침하는지 검사한다. 해결된 노드는 종료되고, 해결되지 않은 노드는 의존성을 보존하는 이항 연산자에 의해 확장된 후 의미론적 범위 검증기(semantic coverage verifier)로 검사된다. 따라서 Hi-Q는 고정된 분해 템플릿이나 사전 구축 그래프가 아니라 말뭉치 지지 신호에 의해 위상이 결정되는 질의 트리를 성장시킨다. 우리는 세 개의 다중 홉 QA 벤치마크에서 Hi-Q를 평가하였으며, 주로 전체 말뭉치 검색 설정에서 평가하였다. 이 설정에서는 의존적 증거가 작은 주석 문서 집합이 아닌 오픈 도메인 방해 요소들 사이에서 발견되어야 한다. 이 설정에서 Hi-Q는 세 벤치마크 평균 EM 52.3, F1 64.0을 달성하여, 동일 평균 기준 반복 검색 기반 기준선 IRCoT보다 EM 15.1 / F1 18.2 앞섰고, MuSiQue-full에서 그래프 기반 RAG 기준선 PropRAG보다 EM 11.5 / F1 12.0 앞섰다. 이러한 성과는 말뭉치 전체에 대한 그래프 구축 없이 이루어졌다. 이전 연구에서 사용된 제한된 지원/방해 요소 설정에서도 Hi-Q는 평균 EM 57.9, F1 69.3으로 최고 정확도를 달성하여, PropRAG보다 EM 5.6 / F1 3.9, IRCoT보다 EM 13.7 / F1 15.8 앞섰다. 프로젝트 페이지는 https://hi-q-project.github.io/에서 확인할 수 있다.

멀티모달 대규모 언어 모델(MLLM)은 이미지와 비디오를 강력하게 인식한다. 우리는 그 인식의 손길이 행동 영역까지 얼마나 닿는지 묻는다: MLLM을 드론의 제어 루프에 직접 넣고, 전체 행동 공간을 오직 프롬프트에만 선언하는 것이다. 최근 시스템들은 이 설정에 접근하지만, 모델의 의사 결정을 점점 더 좁힌다. 우리는 이를 다시 넓힌다. 우리는 MLLM이 교체 가능한 구성 요소인 아키텍처 DroneCATS-Agent와, 모델을 독립 변수로 취급하는 벤치마크 DroneCATS를 소개한다. 단순히 픽셀을 향해 비행하는 것에 그치지 않고, 우리의 에이전트는 모델에게 요(yaw) 회전과 탐색, 불확실할 때의 숙고, 도착의 자가 선언을 맡긴다. 미세 조정이나 함수 호출 스키마 없이도 말이다. 최첨단 모델과 오픈 모델을 네 가지 핵심 능력, 즉 보이는 표적 접근, 움직이는 표적 추적, 초기 시야 밖 탐색, 다중 드론 편대 지휘에 걸쳐 평가한 결과, 가장 단순한 체화(embodied) 설정조차도 해결과는 거리가 멀다는 사실이 드러난다. 무엇보다, 경계에서 무엇이 먼저 무너지는지 식별하기 위해 우리의 모델 명단은 2B 파라미터까지 내려간다. 연구 결과는 극명한 역설을 드러낸다: 실패하는 것은 비행이 아니다. 작은 오픈 모델들은 종종 최첨단 모델보다 더 안정적으로 성공 반경 안으로 항법하지만, 도착을 조기에 선언하거나 아예 선언하지 않음으로써 에피소드를 잃는다. 다중 드론 지휘는 이러한 격차를 증폭시키며, 작은 모델들은 서로 다른 뷰에서 단일 좌표를 맹목적으로 복사함으로써 실패한다. 비전-언어-행동 에이전트로 볼 때, 모델들의 공간 지각은 유지되는 반면 행동 프로토콜은 유지되지 못한다. 배포 가능한 엣지 모델과 최첨단 모델을 가르는 것은 항법이 아니라, 선언된 프로토콜을 지속하고 올바른 종료 행동을 출력하는 규율이다. 남은 문제는 온보드 연산 비용으로 이러한 격차를 메우는 것, 즉 지속적으로 계획하고 자신이 완료된 시점을 정확히 아는 빠른 모델을 구현하는 것이며, DroneCATS는 바로 그 거리를 측정하기 위해 구축되었다.

통합 멀티모달 모델(UMMs)은 단일 모델 내에서 시각 이해와 생성을 공동으로 수행하지만, 기능적 통합이 학습 시너지를 보장하지는 않는다. 두 목표는 서로를 강화하거나, 용량을 두고 경쟁하거나, 단순히 공존할 수도 있다. 우리는 사전 훈련된 시각 사전 지식 없이, 구조적으로 고유한 통제된 환경에서 이 관계를 표현, 과제, 시스템 수준으로 나누어 조사한다. 표현 수준에서는 각 목표가 다른 목표에 유용한 신호를 제공한다는 것을 발견한다. 생성은 이해를 위해 학습된 시각적 특징을 풍부하게 하고, 이해는 생성을 위한 시각-언어 정렬을 강화한다. 그러나 두 목표가 동일한 계산 경로를 통해 강제될 때 한쪽이 지배하는 경향이 있다. 상충하는 시각 계산을 특화하면서도 의미론적 상호작용을 유지하는 과제 분리 아키텍처는 이러한 비대칭적 성능 저하를 피한다. 과제 수준에서는 세 가지 사례 연구를 통해 이해 및 생성 과제가 공유 지식에 의존할 때 긍정적인 양방향 전이가 발생함을 확인한다. 시스템 수준에서는 종단간 UMM이 이미지 이해와 생성을 모두 명시적으로 요구하는 복잡한 과제에서 이에 대응되는 플래너-실행자 파이프라인보다 우수한 성능을 보임을 입증한다. 종합하면, 이러한 결과는 UMM의 가치가 통합된 인터페이스 이상에 있음을 보여준다. 적절한 특화, 공유된 과제 지식, 종단간 최적화는 공존을 시너지로 전환할 수 있다.

장기적인 복잡한 과제(Long-horizon complex tasks)는 파운데이션 모델이 정보를 축적하고, 내부 상태를 유지하며, 확장된 상호작용에 걸쳐 적응할 것을 요구한다. 안전성은 지도 미세조정과 같은 외부 안전장치나 사후 정렬에만 의존하는 행동적 제약이 아니라, 모델 자체의 고유한 속성이어야 한다. 이러한 동기는 안전 관련 능력이 모델의 고유 계산을 통해 표현되고 호출되는 '내재적 안전성(Safety from Within)'을 추구하게 한다. 본 논문은 메모리 라우팅과 상태 진화를 통해 이 원리를 구현한 파운데이션 모델 제품군인 Safin-1을 제시한다. Safin-1은 컨텍스트 이력 전반의 메모리 앵커 라우팅(MARCH: Memory-Anchor Routing across Context History)을 기반으로 구축되었으며, 이는 구조화된 메모리 상태를 유지하고 내용 조건부 라우팅을 통해 관련 과거 정보를 선택적으로 검색하는 네트워크 아키텍처이다. 또한 백본을 반복적으로 수정하지 않고도 지속적 능력 상태의 테스트 시간 적응을 지원하여, 공유 파운데이션 위에서 제어된 특수화를 가능하게 한다. 본 연구는 안전 상태(Safety State)를 통해 다운스트림 안전 과제에서 이러한 인터페이스를 조사하였으며, 상태 기반 적응이 상당한 안전성 개선을 가져옴을 입증하였다. 더 넓게 보면, 라우팅된 상태 인터페이스는 맥락적 메모리와 지속적 능력 적응을 모델의 고유 계산 내에서 통합함으로써, 메모리를 이전 컨텍스트의 수동적 기록에서 모델 행동을 유지하고 진화시키는 능동적 기반으로 재구성한다. 일반 능력, 장기 컨텍스트 이해, 검색 및 효율성에 대한 평가는 Safin-1을 추가로 검증한다. 이러한 발견은 안전성을 상태 고유적이고 적응적으로 유지 가능한 능력으로 구현하는 경로를 제시한다. 본 연구는 내재적 안전성의 광범위한 비전을 실현하기 위한 초기 아키텍처 탐색에 불과하며, 이를 완성하기 위해서는 상당한 추가 연구가 필요하다.

LLM 판정자는 에이전트형 도구 호출 시스템을 평가하는 데 널리 사용되지만, 구조화되고 의존성 기반으로 동작하는 워크플로우에서의 신뢰성은 거의 검토되지 않았다. 본 논문은 개방형 텍스트 평가나 선호도 평가라는 포괄적인 LLM-as-a-judge 작업과 구별하여, 워크플로우 DAG에 대한 에이전트형 도구 호출 평가에서 LLM-as-a-judge의 신뢰성을 체계적으로 연구하는 최초의 벤치마크인 AgentJudgeBench를 제시한다. 이 벤치마크는 여섯 가지 DAG 토폴로지와 세 가지 난이도 수준에 걸친 3,808개 인스턴스로 구성되며, 다섯 개의 생성기(3B~70B 오픈 가중치 모델 및 GPT-5.4)와 여섯 개의 판정자(20B~프런티어 규모)를 정답 제공 조건 및 비제공 조건을 짝지은 환경에서 평가한다. 판정자의 정렬도는 작업 난이도가 높아질수록 단조적으로 저하되며, 정답이 없을 때는 저하 속도가 1.5배 빨라진다. 정답이 없는 어려운 쿼리에서는 여섯 판정자 모두 모델 규모와 무관하게 77~82%의 좁은 범위로 수렴하는데, 이는 주로 작업 난이도에 의해 결정되는 구조적 상한을 드러낸다. 다만 이 상한의 높이는 약한 생성기의 경우 일부 프롬프트 의존적이며, 모델 용량만으로는 극복할 수 없다. 정답 노출이 항상 유익한 것은 아니다. GPT-5.4에서는 1.5%p, Gemini-2.5-Pro에서는 3.9%p의 정렬도 감소가 나타나며, 이는 과잉 앵커링(over-anchoring)과 일치한다. 완화 전략 중 사고 사슬 추론과 판정자 온도는 모두 효과가 미미한 반면, 구조화된 평가 루브릭은 정렬도를 최대 6.5%p 향상시키지만 판정자-생성기 쌍에 걸쳐 균일하게 일반화되지는 않는다. 정답이 있는 조건에서는 QwQ-32B가 프로그램 기반 참조와 가장 잘 일치했으며, 인간 검증 연구에서는 GPT-OSS-120B가 가장 인간과 정렬된 판정자로 확인되었다. 정답이 없는 조건에서는 프런티어 판정자들이 공통 상한 내에서 근소한 우위만 보인다. 이러한 결과는 현재 LLM 판정자의 근본적 한계를 드러내며, 에이전트형 시스템의 신뢰할 수 있는 평가를 위한 실용적 지침을 제공한다.

자기 대결(self-play)은 언어 모델 자기 진화를 위한 효과적인 패러다임이지만, 안내(guidance)가 없다면 해결기(solver)의 성능은 라운드가 거듭될수록 정체되거나 하락할 수 있다. 비안내(unguided) 방식들은 문제 생성을 난이도, 학습 가능성, 또는 다양성과 같은 신호를 사용해 유도한다. 이러한 신호들은 문제를 도전적이고 다양하게 유지하지만, 이후 라운드가 해결되지 않은 어떤 추론 약점을 중점적으로 겨냥해야 하는지는 명시하지 않는다. 안내(guided) 방식들은 인간 예시, 문서 말뭉치, 또는 지정된 난이도 목표를 포함한 외부 태스크 자원에서 방향을 얻으므로, 자기 대결 루프 외부에서 공급되는 태스크 정보에 의존한다. 우리는 필요한 방향이 해결기 자신의 실패 이력으로부터 도출될 수 있음을 보여준다. 우리는 DiagEvo를 제안한다. DiagEvo의 진단기(diagnostician)는 이 이력에서 반복되는 오류 원인을 추출하여 계층적 오류 원인 메모리에 저장한다. 메모리는 관련 원인들을 기술 노드(skill node) 아래에 그룹화하고, 표적 문제에 대한 자기 일관성(self-consistency)에 따라 각각을 활성(Active) 또는 숙달(Mastered) 상태로 추적한다. 도전기(challenger)는 이러한 상태들과 재발 횟수를 사용하여 원인 표적 생성을 자유 탐색과 균형 있게 배분한다. 이중 신뢰도 필터링은 최빈 해결기 답변이 명확한 투표 우위를 보일 때만 중간 난이도 문제를 유지한다. DiagEvo는 외부 태스크 자원 없이 자기 대결 과정에서 생성된 정보로부터 커리큘럼을 도출한다. 기본 4B 진단기를 사용할 때, DiagEvo는 Qwen3-4B, Qwen3-8B, OctoThinker-8B의 세 해결기 각각에 대해 9개 벤치마크 전체의 평균 정확도에서 모든 기준선을 능가한다. Qwen3-8B의 경우, 5개 수학적 추론 벤치마크에 걸쳐 평균 정확도 72.3%를 달성하여 R-Zero보다 4.5%포인트 높다. 또한 9개 벤치마크 전체 평균 정확도는 57.4%로 DARC보다 1.1%포인트 높다. 절제 실험은 계층적 오류 원인 메모리와 이중 신뢰도 필터링이 모두 이러한 성과 향상에 기여함을 보여준다.

본 논문은 LLM 기반 코딩 에이전트가 인간의 개입 없이 높은 수준의 요구사항을 완전하고 기능적이며 사용 가능한 소프트웨어 시스템으로 변환하는 자율 소프트웨어 개발에 관한 연구이다. 우리는 코딩 에이전트가 자율 개발 과정에서 지속적으로 소프트웨어를 개선할 수 있게 하는 프레임워크인 Harness-of-Harness(HoH)를 소개한다. HoH는 기존 코딩 에이전트 하네스 위에서 작동하며, 그 실행들을 계획-코딩-테스트의 반복 루프로 구성한다. 루프 전반에 걸친 지속적인 개선을 위해 HoH는 수리와 역량 성장의 균형을 맞추고, 개발 범위를 작고 검증 가능한 증분 단위로 한정하며, 구현 시점의 테스트를 독립적 평가와 분리하고, 에이전트의 작업 흐름을 규정하기보다 검증 가능한 산출물을 제약한다. 또한 HoH는 산출물, 역할별 도구, 스킬을 점진적으로 노출하고 재생성보다 재사용을 장려하며 버전 관리된 프로젝트 이력을 유지한다. GameCraft-Bench, FrontierSWE, ProgramBench에서 세 가지 하네스-모델 쌍(Codex with GPT-5.5, OpenCode with DeepSeek-V4-Pro, Pi with MiniMax-M3)을 평가한 결과, HoH는 해당 단독 하네스들을 일관되게 능가하여 세 차례 반복 후 평균 상대적 개선율 52.25%, 최대 개선율 82.86%를 달성했다. 70회 이상의 반복이 수행된 다일간 배포 실험에서 HoH는 일관된 스토리라인, 완전히 구현된 핵심 메커니즘, 인간이 플레이 가능한 경험, 정교한 비주얼과 통합된 오디오를 갖춘 1인칭 슈팅 게임을 자율적으로 개발했다. GitHub: https://github.com/Flesymeb/HarnessOfHarness 프로젝트 페이지: https://flesymeb.github.io/HarnessOfHarness/

멀티모달 메모리는 장기 비디오 질의응답을 위한 확장 가능한 인터페이스를 제공하지만, 기존 방법들은 종종 캡션, 프레임, 대본, 요약, 또는 그래프 사실을 단편적인 조각들로 검색한다. 검색은 가능하지만, 이러한 조각들은 생성에 바로 사용할 수 없다. 언어 모델은 맥락이 제한적이고 귀속(attribution)이 어려운 추론 시점에 교차 양식 및 시간적 정렬을 재구성해야 하기 때문이다. 우리는 EM^2Mem을 제안한다. 이는 메모리 구축 과정에서 이질적인 증거를 이벤트 앵커에 결합하는 이벤트 중심 멀티모달 메모리 프레임워크이다. 각 이벤트 인덱스 기반 메모리 셀은 멀티모달 기록, 시간적 맥락, 그래프 연결 관계, 의미적 사실, 출처 정보를 정렬하여, 양식 특정 단편이 아닌 근거 기반의 멀티모달 이벤트에 대한 압축된 증거 판독을 가능하게 한다. 세 개의 장기 비디오 QA 벤치마크에서 EM^2Mem은 가장 강력한 메모리 베이스라인 대비 평균 정확도를 각각 2.0, 2.4, 3.7포인트 향상시키고, 엄격한 이벤트 수준 Top-5 증거 재현율을 7.0포인트 향상시키며, 쿼리당 지연 시간을 4.67배 줄이고 총 추론 토큰을 63.66% 감소시킨다(코드는 https://github.com/zjunlp/LightMem에 통합될 예정이다).

인지 언어 에이전트(Cognitive language agents)는 언어 모델에 메모리, 도구, 의사결정 절차를 결합함으로써 상당한 진전을 이루었으며, 이를 통해 에이전트가 상호작용 환경에서 추론하고 행동할 수 있게 되었다. 기존 프레임워크들은 대체로 이러한 에이전트를 사용자가 지정한 제한된 작업을 해결하는 시스템으로 간주한다. 점점 더 중요한 목표는 언어 에이전트가 사용자 요구, 맥락, 서비스 절차가 지속되고 변화하는 장기적 환경에서 지속적인 지원을 제공하고, 시간이 지남에 따라 발생하는 광범위한 작업 전반에 걸쳐 유용성을 유지하는 것이다. 그러나 지속형 AI 에이전트를 특성화하고, 기존 연구를 체계화하며, 향후 발전을 안내할 수 있는 프레임워크는 여전히 부재하다. 이러한 필요에 부응하여 우리는 지각 중심 지속형 에이전트 아키텍처(Perception-Centered Architecture for Persistent Agents, Pera)를 제안한다. Pera는 에피소드형 작업 실행, 내부 맥락, 주변 환경의 변화로부터 서비스 관련 신호를 지속적으로 지각하고, 이러한 신호를 활용하여 수명주기 작업(lifecycle tasks)을 구성하는 지각 및 제어 구성요소를 중심으로 조직된 지속형 에이전트를 기술한다. 이러한 작업은 에이전트 서비스 절차의 지속적 운영과 적응을 추동한다. 우리는 Pera를 활용하여 최근 연구를 회고적으로 체계화하고, 상세한 사례 연구를 검토하며, 보다 유능한 지속형 에이전트 구축을 위한 전향적 통찰을 제시한다. 소프트웨어 공학이 소규모 프로그래밍(programming in the small)에서 대규모 프로그래밍(programming in the large)으로 전환했던 것처럼, Pera는 언어 에이전트의 진화를 장기 존속형 적응 지능 시스템으로의 구조적 전환으로 개념화한다.

프롬프트 최적화는 멀티에이전트 LLM 시스템을 개선할 수 있지만, 최적화되는 프롬프트는 종종 두 가지 상호 얽힌 역할을 수행한다: 작업 관련 콘텐츠를 생성하는 역할과, 기본 코드가 의존하는 메시지 라우팅, 출력 형식, 종료 신호와 같은 실행에 중요한 프로토콜을 지정하는 역할이 그것이다. 그 결과, 콘텐츠 생성을 개선하기 위한 프롬프트 수정이 의도치 않게 프로토콜을 손상시켜 전체 에이전트 파이프라인을 실패하게 만들 수 있다. 본 연구의 핵심 관찰은 이 두 역할이 서로 다른 표현 방식을 가진다는 점이다: 실행 프로토콜은 일반적으로 구조화되어 있는 반면, 작업 관련 콘텐츠는 보통 비구조화된 언어로 표현된다. 이를 바탕으로 본 연구는 제어-데이터 흐름 분리(control-data flow separation)를 제안한다. 이 방식에서는 실행에 중요한 제어가 타입이 지정되고 검증된 프로그램 객체로 표현되는 반면, 작업 관련 언어는 에이전트 간 통신을 위한 최적화 가능한 데이터 흐름으로 유지된다. 이러한 설계는 옵티마이저가 라우팅이나 형식 인터페이스를 프롬프트 드리프트에 노출시키지 않으면서 멀티에이전트 행동을 개선할 수 있게 한다. 합성 추론, 협업 리뷰 생성, 보험 등급 워크플로우 전반에 걸쳐, 본 연구의 프레임워크는 작업 성능을 지속적으로 개선하면서 궁극적으로 100%의 프로토콜 유효성을 경험적으로 달성한다.

장기 지평 에이전트 작업은 단순히 더 많은 상호작용 턴에 걸쳐 짧은 작업을 연결하는 수준을 넘어선다. 이러한 작업의 끊임없이 변화하는 동적 환경과 장기 의존성은 대규모 언어 모델(LLM)이 수천 단계에 걸쳐 지속적으로 탐색하고, 경험으로부터 학습하며, 자신의 정책을 적응시키는 것을 요구한다. 본 논문에서는 1년에 걸친 사업 운영에 거래 상대방과의 다회차 협상과 동적 이벤트를 통합한 최초의 오픈소스 벤치마크인 E-Commerce Bench를 소개한다. 365일 동안 LLM 에이전트는 여러 온라인 스토어를 동시에 운영하며, 시장을 조사하고, 재고를 확보하기 위해 공급업체와 협상하고, 판매 전략을 최적화하고, 주문을 이행하고, 반품을 처리하며, 연말 총자산을 극대화하기 위해 현금 흐름을 관리한다. 현실적인 판매자 측 운영 환경을 구축하기 위해 제품 및 공급업체 데이터는 실제 전자상거래 플랫폼에서 비롯되었으며, 프로모션, 자연재해, 공급망 충격으로 구성된 연간 일정이 수요를 지속적으로 변화시킨다. 재현성을 위해 시장의 양측은 결정론적으로 작동한다. 고객의 구매와 반품은 고정된 수요 모델을 따르며, 협상 커널이 공급업체의 가격 책정, 양보, 결정을 정하고, LLM은 이를 언어로 표현하는 데에만 사용된다. 본 논문에서는 연말 자산을 포함한 7개 차원에 걸쳐 18개의 최첨단 모델을 평가했으며, 어떤 단일 모델도 전반적으로 우세하지 않다는 점을 확인했다. GPT-5.6 Sol은 가장 많은 수익을 올려 초기 자본 100,000을 1,431,425로 성장시켰지만, 사기 방지 부문에서는 18개 중 16위에 그쳤고 운영 효율성에서는 Fable5에 뒤처졌다. 오픈 가중치 모델 중에서는 Qwen3.8-Max-Preview가 416,252로 선두를 차지했으며, 이는 GLM 5.2 (high)보다 38% 높은 수치이다. 또한 Qwen3.8-Max-Preview는 반복 주문에서 점진적으로 가격을 낮추는 협상을 수행함으로써 지평 전반에 걸쳐 가장 강력한 학습 성과를 보였다. 소스 코드는 https://github.com/QwenLM/E-CommerceBench에서 확인할 수 있다.

동료 심사와 반박과 같은 전문 학술 콘텐츠를 생성하는 것은 도메인 추론과 사실적 근거 간의 정교한 시너지를 요구한다. 본 연구는 전문 학술 에이전트인 InternReviewer와 InternAdvocate의 개발 및 평가를 위한 포괄적인 프레임워크를 제시한다. 먼저 대규모의 고품질 학술 데이터셋을 구축하고 고효율 arXiv 검색 도구를 통합하여 능동적 증거 수집을 가능하게 한다. 이러한 에이전트를 최적화하기 위해, 통합 목표 지표와 보상 체계에 기반한 에이전트 중심 강화 학습(RL) 패러다임을 구현한다. 이 체계는 참고문헌 기반 의미 정합성, 구조 준수, 그리고 실시간 상호작용 로그와 인용을 교차 검증하여 환각을 제거하는 엄격한 검증 메커니즘을 포함한 다차원 기준을 채택함으로써 주관적인 모델 기반 평가의 편향을 회피한다. 실험 결과는 이러한 폐루프 프레임워크 내에서 훈련된 에이전트가 추론의 깊이와 인용 정확성에 있어 유의미한 개선을 보였음을 입증한다.

AI는 점차 미래 AI 시스템을 생산하는 연구개발(R&D) 과정에 활용되고 있다. 우리는 이러한 피드백이 언제 자기증폭적(self-amplifying)이 되는지에 대한 조건을 연구한다. 우리의 모델은 AI 능력 성장률이 기본 연구 생산성, 재귀적 피드백, 그리고 연구 발전의 증가하는 난이도에 어떻게 의존하는지를 설명한다. 우리는 개발 주기 전반에 걸쳐 개선 효과가 증폭되는지 또는 감쇠되는지를 결정하는 재귀 재생산지수 R_AI를 도출한다. 이 지수는 피드백의 강도와 이후 발전이 더 어려워지는 비율을 비교한다. R_AI>1일 때 개선 효과는 개발 주기를 거치며 복리적으로 누적되어 시스템이 자기증폭 체제에 들어선다. R_AI<1일 때 그 효과는 주기를 거치며 약화된다. 이러한 전이는 AI R&D 피드백 루프의 구조에 의존하며, 반드시 특정 수준의 모델 능력에서 발생할 필요는 없다. 따라서 시스템은 가속화가 가시화되기 전에 자기증폭 체제에 진입할 수 있으며, 반대로 자기증폭 없이도 빠른 진전이 발생할 수 있다. 더 높은 기본 연구 생산성은 시스템이 자기증폭적인지 여부를 바꾸지 않으면서 진전을 가속할 수 있지만, 개발 주기의 기간은 증폭을 제한하는 시간 척도가 된다. 연구 난이도의 증가는 자기증폭 기간을 종식시킬 수 있다. 모델을 여러 연구 주체로 확장하면, 개별 조직이 자기증폭적이지 않더라도 조직 간에 공유된 개선 효과가 전체 연구 생태계를 자기증폭적으로 만들 수 있음을 보여준다. 이 프레임워크는 재귀적 증폭을 다른 원인에 의한 빠른 진전과 구별하는 데 도움이 되는 AI R&D 시스템의 측정 가능한 속성들, 즉 재귀적 피드백의 강도, 개선 효과가 후속 시스템에 얼마나 효과적으로 전파되는지, 주기 기간, 그리고 추가 발전의 증가하는 난이도를 식별한다.

테스트 시간 적응(TTA)은 일반적으로 추론 시점에 모델 파라미터를 업데이트할 수 있다고 가정한다. 이러한 가정은 추론 전용 가속기, 동결(frozen) 또는 제3자(third-party) 모델, 메모리 제약이 있는 배포 환경에서는 제약적이며, 표준 BatchNorm 기반 TTA 설정은 BatchNorm이 없는 아키텍처에서는 비활성화될 수도 있다. 우리는 학습된 모델이 동결된 상태로 유지되어야 하는 상황에서의 적응을 연구한다. 본 논문에서는 판별 부분공간에 소스 클래스 통계량을 저장하고, 타깃 배치 모멘트로부터 클래스 공통 아핀 변환을 추정한 다음, 분류 전에 소스 클래스 분포를 해석적으로 이동시키는 그래디언트-프리(gradient-free) 방법인 CASTER를 제안한다. CASTER는 역전파, 옵티마이저 상태, 또는 저장된 소스 특징 뱅크를 필요로 하지 않는다. 네 개의 백본과 일곱 개의 데이터셋에 걸쳐, CASTER는 동일한 동결 특징에 기반한 k-NN보다 28개의 백본-데이터셋 설정 중 27개에서 우수한 성능을 보였으며, 상태는 중앙값 기준 18배 적게 유지했다. 아핀 이동이 항상 신뢰할 수 있는 것은 아니다. 1000개 클래스에 대해 배치당 64개 샘플만 포함하는 ImageNet-C에서 무조건적 이동은 top-1 정확도를 21.2포인트 손실시킨다. 따라서 우리는 경험적 잔차-대-마진 이동 가능성 인증(empirical residual-to-margin transportability certificate)을 도입한다. 307개의 평가 셀에서, 10포인트를 초과하는 손실을 입히는 모든 이동은 인증값이 3.9를 초과했지만, 무해한 영역과 파괴적 영역이 완벽하게 분리되지는 않았다. 게이팅은 무조건적 이동의 평균 -3.35포인트 효과를 +1.69포인트의 이득으로 전환하며, 넓은 임계값 범위에서 성능은 최적 임계값 대비 0.3포인트 이내를 유지한다. 마지막으로, 우리는 이 인증이 메커니즘 특이적(mechanism-specific)임을 보인다. 즉, Tent에 적용하면 업데이트의 4.3%만 수용하고 Tent가 얻을 수 있는 이득의 0.6%만 보존한다. 이러한 결과는 CASTER를 동결 모델 배포를 위한 경량 적응 메커니즘으로 자리매김하며, 그 안전 신호가 유용한 정보를 제공하는 경우와 그렇지 않은 경우에 대한 명시적 설명을 함께 제공한다.

멀티모달 기하 추론은 VLM이 정밀한 시각적 관계를 추출하고 다단계 추론을 통해 이를 유지하도록 요구한다. 기존의 자유 형식 추론 궤적은 답을 결정하는 선택들을 모호하게 만들며, 궤적 수준 강화 학습은 단일 종단 신호를 응답 전체에 분배한다. 본 논문에서는 추론 중에 노출되는 의미 단위들이 학습이 대안을 비교하고 신용을 할당하는 위치를 정의하는 신용 할당 가능 추론(credit-addressable reasoning)을 제안한다. 이 원칙을 Code-CoT와 CE-GRPO로 구현한다. Code-CoT는 다이어그램을 유지하고, 시각적 관계를 행 단위 주소 지정이 가능한 실행 코드로 표현하며, 추론을 유형화된 이벤트로 조직한다. CE-GRPO는 구조적 사전 정보와 유형 정규화 엔트로피를 사용하여 이벤트 경계를 선택하고, 공유된 접두사에서 완전한 연속을 샘플링하며, 결과 차이를 국소적 이점으로 변환한다. 아홉 가지 기하 벤치마크에서 CE-GRPO는 평균 정확도 76.04를 달성하여 Qwen3-VL-8B와 궤적 수준 GRPO를 각각 8.09포인트와 3.43포인트 능가한다. 그 상대적 이점은 중간 이벤트의 수가 증가함에 따라 커지며, 이는 길고 의존성이 높은 멀티모달 추론에서 표현-최적화 공동 설계의 가치를 보여준다.

가치 있는 데이터는 여전히 비정형 소스에 내재되어 있다: 웹 페이지, 보고서, 계약서, 공시 자료, 실적 발표, PDF 등이 그것이다. 엔터프라이즈 AI의 핵심 투자 방향은 모든 지식 근로자를 위해 이러한 데이터를 추론하여 복잡한 질문에 답하는 LLM 에이전트를 배포하는 것이다. 에이전트는 오늘날에도 이를 수행할 수 있지만, 비용이 prohibitive 수준이다. 각 질문은 흩어진 증거를 찾기 위해 대용량 문서를 반복적으로 열어야 하며, 최대 백만 개의 토큰을 소비한다. 그러나 데이터가 이미 구조화되어 있다면, 동일한 질문은 저비용 데이터베이스 조회로 축소될 것이다. 예를 들어, FanOutQA 벤치마크에서 이상적인 사전 구조화 저장소에 대한 추론 비용은 28배 저렴하며, 질문이 더 많은 문서로 분산될수록 그 격차는 자릿수 차이로 확대된다. 그러나 모든 것을 사전에 구조화하는 것은 현실적이지 않다: 문서는 모든 워크로드가 사용할 수 있는 것보다 훨씬 더 많은 가능한 구조를 포함하며, 유용한 구조와 문서는 질의가 도착하기 전까지는 알 수 없기 때문이다. 우리는 에이전트 기반 데이터 크래킹(agentic data cracking)을 제안한다. 이는 추론 자체의 부산물로서 비정형 데이터를 적응적이고 투기적으로 구조화하는 방법이다. 구조화가 적응적인 이유는 관찰된 질의가 구조화의 시점과 중요 대상을 결정하기 때문이며, 투기적인 이유는 현재 질문을 넘어서기 때문이다. 에이전트가 답변을 위해 문서를 열 때마다, 크래킹 하위 에이전트가 이미 로드된 컨텍스트에서 한계 비용으로 분기하여 관련된 향후 질의에 서비스할 가능성이 높은 근거 기반 구조를 추출한다. 시간이 지남에 따라 점점 더 많은 질의가 구조화된 데이터로 완전히 충족되어 문서를 열지 않고도 답변되며, 에이전트의 정확도를 RAG에 근접한 비용 수준으로 유지한다. 테스트 질문당 단 하나의 관련 질의만 추가 확장된 FanOutQA에서 크래킹은 정확도를 유지하면서 비용을 53% 절감한다. 에이전트 기반 데이터 크래킹은 비정형 데이터에 대한 에이전트 추론을 위한 차세대 데이터 인프라, 즉 추론이 비용을 들여 이미 발견한 지식이 축적되는 모델 하부의 공유 기반(substrate)을 향한 첫 걸음이다.

SAR-to-EO 이미지 변환은 합성개구레이더(SAR) 관측으로부터 전자광학(EO) 영상을 생성하는 것을 목표로 한다. 기존의 잠재 확산 접근법들은 일반적으로 사전에 정의된 오토인코더를 그대로 계승해 사용하지만, 재구성 충실도는 코덱과 모달리티에 따라 크게 달라질 수 있다. 잠재 코덱은 SAR 조건과 EO 대상 모두의 왕복 보존에 영향을 미치기 때문에 코덱 선택은 근본적인 설계 결정에 해당한다. 그럼에도 기존 방법들은 대부분 자연 이미지에 대해 사전 학습된 코덱에 주로 의존해 왔다. 이러한 문제를 해결하기 위해, 우리는 SAR-EO 공동 재구성 검증을 통해 코덱을 선택하는 조건부 잠재 플로우 매칭 프레임워크인 ReFlowSET을 제안한다. ReFlowSET은 무거운 사전 학습 생성기를 계승하는 대신, 선택된 잠재 공간에서 현저히 더 작은 조건부 DiT를 처음부터 학습하며, 이중 스트림 SAR 조건화와 후속 공동 특징 정제를 사용한다. 이러한 처음부터의 학습에 의미론적 안내를 제공하기 위해, 중간 단계의 노이즈가 포함된 EO 특징을 동결된 비전 파운데이션 모델에서 추출한 잡음 없는 대상 EO 표현과 정렬한다. 이 정렬은 학습 중에만 사용되며 추론 시 추가 비용을 발생시키지 않는다. QXS-SAROPT 및 SAR2Opt 데이터셋 실험은 다양한 지각 충실도 및 분포 지표에서 최첨단 성능을 보여준다. 코드와 사전 학습 가중치는 https://github.com/KAIST-VICLab/ReFlowSET에서 공개적으로 제공된다.

전통적인 정치 커뮤니케이션 프레임워크는 유권자 설득을 정태적이고 거래적인 기능으로 간주하는 선형적이고 사건 중심적인 가정 하에 작동한다. 본 논문은 에드워드 버네이스의 홍보 원칙과 시스템 다이내믹스의 S-E-E-D(Snowball, Equilibrium, Elasticity, Dominance) 프레임워크를 통합하는 새로운 학제 간 패러다임인 동적 동의 엔지니어링(DCE)을 소개한다. 버네이스적 운영 제약을 인력, 정신력, 자본과 함께 알고리즘 미디어 인프라를 포함하는 4차원 자원 매트릭스로 확장함으로써, 우리는 민주적 제도가 정치적 지배력을 구축하고 최적화하며 지속시키는 방식을 수학적으로 정식화한다. 우리는 버네이스의 고전적 8단계 엔지니어링 워크플로우를 비선형 피드백 루프, 정보 시간 지연, 인구통계학적 수용 용량에 직접 매핑한다. 시스템적 피드백 구조의 엄밀한 모델링을 통해, 우리는 정치적 탄력성, 정책 저항 고원, 임계값 발화 신뢰 붕괴의 동적 근본 원인을 분리한다. 마지막으로, 우리는 4단계 진단 파이프라인을 수립하고 역사적 기준 모드 검증을 통해 프레임워크를 검증함으로써, 장기적 정치적 안정성이 일시적 수사에 의존하는 것이 아니라 정책 실행과 동적 피드백 보정의 구조적 동기화에 의존함을 입증한다.

상용 숏드라마 제작은 대본, 스토리보드, 키프레임 이미지, 샷 단위 비디오, 완성된 숏드라마로 이어지는 다단계 체인을 따른다. 기존 대부분의 벤치마크는 사전에 작성된 입력을 사용해 비디오 생성 단계만 평가하며, 실제 업스트림 파이프라인 출력은 사용하지 않는다. 따라서 각 단계가 바로 직전 입력 프롬프트뿐 아니라 원본 대본의 의도를 준수하는지, 그리고 서로 다른 샷들이 여러 에피소드로 편집된 뒤에도 일관성을 유지하는지에 대한 두 가지 핵심 질문에는 답할 수 없다. 본 논문은 전체 제작 체인의 모든 단계를 평가하는 최초의 숏드라마 벤치마크인 DramaChain Bench를 제안한다. DramaChain Bench는 하나의 차원 체계를 공유하는 세 가지 사내 시스템을 기반으로 구축되었다. DramaChain Dimensions는 각 단계에서 구체화되는 다섯 가지 평가 축으로 구성되며, 63개의 말단 차원(leaf dimension)으로 세분된다. DramaChain Agent는 작업 흐름과 완성된 숏드라마 품질 모두에서 상용 숏드라마 플랫폼에 맞춰 보정되어, 모델 간 단계별 공정한 비교를 가능하게 한다. DramaChain Labeling System에서는 5,785개 항목 각각을 세 명의 전문 주석자가 독립적으로 채점하며, 모든 결함은 사전 정의된 결함 목록에서 선택되고 시공간적으로 위치가 특정된다. 이 과정은 17,488개의 유효 점수와 255,925개의 추적 가능한 귀속 기록을 생성한다. 인간 주석 데이터는 상위 단계(업스트림)의 결함이 파이프라인 전반으로 연쇄 전파됨을 확인하며, 최종 에피소드 품질이 비디오 생성만으로 결정되지 않음을 보여준다. 이후 DramaChain Agentic Judge는 모든 말단 차원을 자동으로 채점한다. 이 판정기는 항목별 체크리스트에 따라 판정하기 전에 여러 차례의 에이전트 기반 라운드(agentic round)를 거쳐 증거를 수집하며, 평균 PLCC 0.918로 모델 순위를 재현한다. 이는 주석 비용 없이도 새로운 모델을 수용할 수 있을 만큼 충분한 정확도이다.

로짓 기반 지식 증류(KD)는 더 강력한 교사 모델의 지도를 통해 더 작은 언어 모델(LM)을 훈련시키는 데 사용된다. 그러나 그러한 이점이 훈련 단계 전반에 걸쳐 일관적인지 여부는 아직 명확하지 않다. 통제된 실험을 통해, 우리는 사후 훈련(post-training)된 교사로 수행하는 순방향 KL 증류(표준 KD 공식)가 큐레이션된 말뭉치에 대한 자기지도 학습의 중간 단계인 중간 훈련(mid-training) 동안 근본적으로 다른 양상을 보임을 발견한다. 놀랍게도 순방향 KD는 표준 다음 토큰 예측(NTP) 대비 사전 훈련 중에는 추론 능력과 사실 회상을 동시에 향상시키지만, 중간 훈련 중에는 추론 향상이 지속됨에도 불구하고 사실 회상 습득을 오히려 늦춘다. 우리는 이러한 단계 의존성이 데이터 도메인 간 교사 확신도의 비대칭성과 학생 모델의 진화하는 지식 상태에 기인함을 추적한다. 즉, 교사는 지식 집약적 데이터보다 절차적 데이터에 대해 더 확신하는 반면, 학생 모델은 훈련 초기에 낮은 엔트로피의 사실적 지식을 습득한다. 이러한 불균형을 완화하기 위해, 우리는 교사의 예측 엔트로피를 경량 라우팅 신호로 사용하여 교사가 확신하는 토큰에 대해서는 증류를 수행하고, 그 외의 경우에는 크로스 엔트로피로 대체하는 단순한 중간 훈련 목적 함수인 Switch Distillation을 제안한다. Switch Distillation은 교사 모델 크기와 관계없이 기존 증류 목적 함수를 일관되게 능가한다. 표준 NTP 대비, 추론 성능은 1.61~1.71배, 지식 및 상식 성능은 1.13~1.19배를 달성하면서 사실 회상의 96.7~96.8%를 보존한다. 결정적으로, 이러한 이점은 사후 훈련 이후에도 지속된다. Switch Distillation은 사실 회상 격차를 해소하면서도 추론과 지식 및 상식에서 각각 1.25~1.32배와 1.13~1.20배의 향상을 유지한다.

모방 학습으로 습득된 정교한 조작 정책은 일반적으로 장면, 객체 또는 지시의 변동에 대한 견고성을 기준으로 평가되지만, 작업 실행 속도에 따른 성능은 덜 자주 검토된다. 이는 학습자가 모방하는 전문가에 비해 얼마나 많은 시간적 견고성을 유지하는지에 대한 의문을 남긴다. 우리는 동일한 작업 조건, 초기 조건 샘플링, 그리고 속도 향상 요인 아래에서 전문가와 학습자를 비교한다. 우리는 로봇이 소포를 획득하고 방향을 바꾼 뒤 삽입하는 접촉이 많은 작업인 ParcelStow에서 이 평가를 구현한다. 시연은 소포 획득 이후의 조작 단계에 대한 속도 향상 범위를 포괄한다. 스크립트 기반 전문가와 전문가의 시연으로 훈련된 트랜스포머 기반 액션 청킹(ACT) 정책은 모두 공칭 속도에서 100% 작업 성공률을 달성한다. 그러나 이들의 성공률은 시연된 범위 내에서 차이를 보인다. 최대 속도에서 전문가의 성공률은 84%이고 ACT의 성공률은 53%이다. 서로 다른 매개변수 초기화를 가진 두 개의 ACT 정책은 유사한 성능 저하를 보인다. 공칭 속도에서 최대 시연 속도까지 각각 34퍼센트 포인트와 48퍼센트 포인트 감소하며, 이는 전문가의 16퍼센트 포인트 감소와 대조된다. 단계별 분석에 따르면, 최대 시연 속도에서 발생한 ACT의 실패 47건 중 35건이 삽입 정렬 오류이다. 상대 운동 핸드오프 조건에서 모든 ACT 획득은 자유 공간에서의 방향 전환 및 이동 과정을 거치는 동안 소포를 유지하지만, 전체 작업을 완료하는 비율은 64%에 불과하며, 이는 전문가 획득 후의 95%와 비교된다. 평가된 모든 정책과 속도에 걸쳐, 힘 폐쇄가 없는 414건의 획득 중 어느 것도 작업을 완료하지 못했다. 따라서 동일한 공칭 작업 성공률이 실행 속도 전반에 걸친 전문가 성능의 보존을 의미하지는 않는다. 코드, 데이터, 평가 스크립트는 https://github.com/coenwerem/parcelstow에서 제공된다.