OpenAI, PerturbAI, Scripps Research는 GPT-Rosalind를 기반으로 한 수천 개의 AI 에이전트를 활용해 마우스 뇌세포 수백만 개분의 기존 실험 데이터를 단 32분 만에 분석했다고 밝혔다. 에이전트는 인간이 수행한 분석 결과를 재현한 뒤 추가 단서를 찾아냈으며, Tsc1과 Tsc2의 작용 차이와 콜레스테롤 조절과 신경퇴행 사이의 연관 가능성을 제시했다. 연구팀은 같은 작업을 사람이 하나씩 수행할 경우 수개월에서 1년이 걸릴 것으로 추산했으며, 추론 아틀라스는 현재 공개된 상태다.
MMEnterprise-Bench는 팀 협업으로 갱신되는 멀티모달 업무 기록을 대상으로 에이전트의 추론 능력을 평가하는 벤치마크다. 1,613개 문항을 수록하며, Evidence Reasoning, Conflict Resolution, Unanswerability의 3개 카테고리로 구성된다.
Claude가 전갈 독소를 표적으로 하는 단백질 바인더를 거의 자율적으로 설계했다. 5종의 독소에 대해 318,484건의 설계를 생성했으며, 실험한 211건 가운데 17건이 바인더 기준을 충족했다. 항독소로 작용하는지는 아직 검증되지 않았다.
Matrix-Game 4.0은 게임 엔진 실행과 자기회귀형 동영상 모델 기반 영상 생성을 분리해 실시간으로 플레이 가능한 게임 세계를 구현한다. NVIDIA RTX 5090 1장으로 480p, 60 FPS, 입력에서 화면 표시까지 지연 112ms를 달성했다. 코드, 모델 가중치, 로우폴리 게임 에셋도 공개했다.
S-Agent 2.0은 영속적인 장면 메모리와 평이한 공간 언어 해석을 3D 인지 도구를 갖춘 범용 코딩 에이전트에 결합해 공간 추론을 개선한 기법이다. 오픈소스 Qwen3.8-27B를 백본으로 한 MMSI-Bench에서는 66.5, ReVSI에서는 82.3을 기록해, 같은 백본의 전문 시스템 SpatialClaw(62.6, 74.5)를 웃돌았다. Gemini-3.8-Flash에서는 MMSI-Bench 74.1, ReVSI 90.5에 도달했다.
PAR는 루프형 언어 모델의 상태 추적 과제에서 짧은 시퀀스로 학습한 모델을 긴 시퀀스로 일반화하는 기법이다. 학습 시 최대 32단계의 swap-S5로 학습한 0.5B 모델은 512단계(학습 길이의 16배)에서 전체 상태 정확도 95.5%를 달성하며, 기존 최고 성능인 RLT(55.7%)와 CoT(0.8%)를 크게 웃돌았다. 중간 상태에 대한 주석은 필요 없으며, 최종 답에 대한 교사 신호만으로 학습할 수 있다.
Video-Point Model(VPM)은 멀티뷰 영상의 과거 기록과 언어 지시로부터 임의의 시점에서의 미래 영상과 3D 점 궤적을 동시에 예측하는 세계 모델이다. 사전 학습된 세계 모델을 확장하고 궤적 헤드로 점의 시간적 움직임을 예측하도록 한 결과, 영상만 사용하는 모델보다 영상의 충실도와 3D 운동 정확도가 높아졌다고 보고됐다. 또한 로봇 행동을 토큰으로 추가한 모델은 시뮬레이션과 실기기 모두에서 조작 성공률이 향상된 것으로 알려졌다.
SolarRenderer는 동결된 MiniMax-H3 33B 백본에 두 개의 경량 LoRA를 결합해, 구조 입력으로부터 사실적인 동영상을 4단계만에 렌더링하는 기법이다. 50단계 샘플링보다 12.3배 빠른 것으로 알려졌다. 블록 인과형 파생 버전은 스트리밍을 지원해 768p 동영상을 실시간으로 렌더링할 수 있다. 프레임 정렬이 된 136K 클립 데이터로 학습했으며, 동일 분포의 테스트셋과 16종류의 구조 표현을 사용한 벤치마크에서 최고 수준의 결과를 보였다. 또한 포즈 스켈레톤, 드로잉, 포인트 클라우드 등 학습에 쓰이지 않은 11가지 표현에도 일반화되는 것으로 나타났다.
Sage-A1.5는 A1을 바탕으로 적응형 능력 합성을 통해 장기적인 문제 해결을 진행하는 35B 규모의 Mixture-of-Experts형 에이전트 모델이다. 하위 에이전트에 태스크를 위임하고 병렬로 협업하며, 진행 상황 확인과 증거 검증, 전략 재검토를 통해 장기 태스크의 신뢰성을 높이고자 한다. 나아가 사전에 정의된 질문에 대한 답변을 넘어, 대화형 분석과 검사 가능한 연구 산출물을 연결하는 과학적 탐색으로의 확장도 내세우고 있다.
i14는 선형 어텐션 모델 Laplace 3B를 AWS Trainium2에서 네이티브 PyTorch를 사용해 학습하고 서비스했다. 재귀 상태는 컨텍스트 길이와 관계없이 시퀀스당 29.5 MB로 고정된다. trn2.48xlarge 인스턴스 1대에서의 학습 처리량은 약 120,000 토큰/초였으며, 1,280개의 동시 시퀀스에서의 추론 출력은 11,544 토큰/초였다.
본 논문은 벤치마크를 난이도에 관한 경험적 측도로 정식화하고, 측도 불일치와 커버리지 공백이라는 두 가지 실패 모드를 규명한다. 7개 분야에 걸친 인기 벤치마크 25개를 분석한 결과, 다수의 벤치마크가 특정 난이도 영역을 과도하게 중시하고 있으며 리더보드의 결론은 신중하게 해석해야 한다고 밝혔다. 또한 난이도를 겨냥한 문항 재작성 알고리즘 BenchFill을 제안하고, 국지적인 커버리지 공백을 줄이는 효과를 보였다.
LaLa-World는 시뮬레이션, 로봇, 이미지·동영상 데이터를 하나의 예측기로 학습하는 언어 조건부 잠재 세계 모델이다. RAEv2 기반 동영상 생성 모델과 비교한 결과, 동등한 MPC 계획 성능을 6분의 1 적은 학습 비용과 13.9배 빠른 계획 속도로 달성했다. 사전 학습된 LaLa-World를 초기값으로 삼은 LaLa-Policy는 LIBERO와 RoboCasa에서 Cosmos Policy와 경쟁하며, 추론은 최대 5.5배 빠르다.
FRED는 World Action Models(WAM)에서 시간적 문맥을 활용한 자기 증류를 통해 단일 디노이징 단계만으로 미래 영상 표현의 품질을 높이는 학습 프레임워크다. 비교 대상인 WAM보다 높은 성능을 보였다. 로봇 학습 데이터에 포함되지 않고 사람의 동영상으로만 시연된 과제에서는 과제 성공률 50.0%를 달성해, 가장 우수한 경쟁 WAM의 19.4%를 웃돌았다. 장기 과제와 제로샷 환경 일반화 상황에서의 미지 도메인 과제에서도 큰 개선이 나타났다.
재귀적 자기 개선(RSI)을 로봇 학습의 맥락에서 검토한 서베이형 논문이다. 디지털 에이전트처럼 자신의 코드를 고쳐 쓰고 검증하는 기법을, 부분 관측, 고비용 시행, 되돌릴 수 없는 결과가 따르는 물리 세계에 적용할 때의 과제를 정리했다. 기존 연구는 주로 매니퓰레이션에 집중되어 있으며, 행동 개선, 후속 학습에 대한 효과, 절차 개선은 뒷받침하지만, 기록된 물리 실험에서는 재귀 자체에 따른 효과를 분리하지 못했다고 결론짓고 있다.
LLM 에이전트는 여러 기밀 문서에서 얻은 정보를 결합해 기밀성이 높은 결론을 공개하는 경우가 있다(모자이크 효과). 합성 사례 30건으로 한 평가에서는 최고 성능인 GPT-5.6-Sol조차 단일 문서로 답할 수 있는 질문의 7.08%에서 금지된 결론을 공개했다. 분류 헤더와 집약 규칙을 추가해도 시뮬레이션 답변의 32.37%에서 안전하지 않은 공개가 남았다.
Ai2가 LLM 의사결정에서 속성별 공정성을 최종 선택뿐 아니라 판단의 흔들림 정도까지 측정하는 벤치마크 FairStress를 공개했다. 300개 시나리오와 속성·설득문 조합으로 1300만 건이 넘는 테스트 케이스를 갖추고 있으며, Olmo-eval에도 포함한다. Olmo, Llama, Qwen, Gemma, Claude, GPT 등에서 같은 설득문이라도 유리해지는 속성에 따라 판단이 바뀌는 정도가 다른 경향을 확인했다.
ALTK-Evolve는 GPT-4.1로 학습한 가이드라인을 기본 ReAct 에이전트의 시스템 프롬프트에 추가하는 방식으로, 모델 가중치를 갱신하지 않고도 τ²-bench 소매 도메인에서 Pass^4 67.5%를 달성했다. 이는 2026년 10월 12일 시점 리더보드에 있는 소매 부문 전체 항목을 웃도는 수치다. 항공 도메인에서도 평균 정확도가 57.5%에서 65.0%로 향상되었다.
Manga2Animate는 크리에이터 역할과 리뷰 역할의 에이전트를 짝지은 멀티 에이전트 프레임워크로, 만화 컷으로부터 애니메이션 스크립트와 시각적 콘티를 만들어 원작에 대한 충실성과 일관성을 높인다. 기존 방식은 만화를 텍스트 중심으로 다루거나 페이지를 영상 생성 모델에 직접 입력하기 때문에 캐릭터와 화풍이 사라지거나 이야기 구조를 잘못 이해하는 문제가 있다고 한다. 논문은 사용자 연구와 폭넓은 실험을 통해 최첨단 기법보다 원작에 충실하고 컷 사이의 일관성이 높은 애니메이션을 생성했다고 보고했다.
HarnessPro는 레이블 없이 AI 에이전트의 하네스를 진화시켜 성능 향상과 실행 비용 절감을 동시에 달성하는 기법이다. GPT-5.5와 Codex를 사용한 Terminal-Bench 2, SWE-Bench Pro, ProgramBench에서 heavy 모드는 RHO와 비교해 평균 합격률을 2.0포인트 높였고, 태스크당 비용은 26.1% 줄였다. GLM-5.2와 Claude Code를 조합한 경우에도 같은 우위가 성립한다.
AdaExploreBench는 LLM 에이전트가 숨겨진 환경 규칙을 능동적으로 발견하고, 통보 없이 변하는 규칙에 적응할 수 있는지 평가하는 벤치마크다. 8개 LLM을 대상으로 한 실험에서 GPT-6 Sol조차 보정 정확도가 61.9%에 그쳤으며, 충분한 증거를 제공하거나 규칙 드리프트를 제거하면 평균 성능이 약 10% 향상됐다. 에이전트는 유용한 증거가 주어지면 추론할 수 있지만, 적절한 증거를 능동적으로 확보하거나 이전 지식이 더 이상 유효하지 않다는 사실을 인식하는 데에는 어려움을 겪는 것으로 나타났다.
KronLSTM은 장문맥 선형 어텐션에 크로네커 델타 법칙을 적용하는 기법으로 소개되었다. 원문에서는 특히 장문맥 과제의 벤치마크 결과가 두드러진다고 평가되었다. 로보틱스 등 Physical AI에 대한 응용 가능성도 제기되었으나, 실제 로보틱스 응용에서의 실증은 향후 과제로 남아 있다.
RoboValue는 로봇 가치 모델을 시뮬레이션과 실제 로봇 양쪽에서 통합적으로 평가하는 벤치마크다. 작업 상태 이해, 시간에 따른 진행 추적, 실패로부터의 회복 추론, 가치 일관성 등 4가지 능력을 평가하며, 시뮬레이션 15개 작업과 실제 로봇 20개 작업의 조작 데이터셋을 포함한다. 대표적인 모델들은 성과나 전진 진행도 점수가 높았지만, 세부 지시 파악, 이력에 의존하는 진행 추적, 회복 평가에서 오류를 보였다고 한다.
저랭크 어댑터를 활용한 파라미터 효율적 파인튜닝(PEFT)으로, 최대 104B 파라미터의 멀티모달 파운데이션 모델을 뇌 인코딩용으로 적응시키는 기법이다. 동일한 Qwen3-Omni 백본을 사용한 Brain LoRA는 Algonauts 2025 Challenge에서 공개된 결과 중 최고 성능을 달성했다. 또한 200개 이상의 적응 모델을 앙상블한 결과는, 작성 시점에 공개된 Algonauts 사후 리더보드에서 1위를 차지했다.
MemT-1.0은 지속적인 기억을 기반 모델의 연산에 통합한 메모리 기반 모델로, MemT-1.0-Nano와 MemT-1.0-Flash 두 모델을 공개했다. 128K 토큰의 이력 길이에서 MemT-1.0-Nano는 전체 컨텍스트 KV 캐시와 비교해 엔드투엔드 추론 속도가 약 1.86배 빨라졌고, 영구 저장 공간은 66배 줄었다. 평균적으로 파라메트릭 메모리 베이스라인을 웃돌며, 검색 증강 방식과 맞먹는 성능을 보이면서도 범용 능력은 대체로 유지한다고 밝혔다.
EgoXperience는 단안 1인칭 시점(에고센트릭) 영상과 첫 프레임의 물체 마스크로부터 카메라, 장면, 손, 물체를 공통 월드 좌표계에서 한 번의 순전파로 동시에 재구성하는 통합 프레임워크다. 자동 어노테이션 엔진 EgoX-Engine으로 만든 50시간 규모의 데이터셋 EgoX-Data-6M으로 학습했다. 실험 결과 가장 강력한 베이스라인과 비교해 카메라, 손, 깊이의 오차를 각각 68.9%, 65.6%, 42.9% 줄였고, 물체 자세 점수는 28.0% 향상된 것으로 나타났다.
InfiniDream는 VLM으로 구동되는 절차적 3D 월드 생성 프레임워크로, 기호적 에셋 생성과 결정론적 씬 배치를 통해 편집 가능하고 포토리얼리스틱한 3D 월드를 개방형으로 생성한다. 기존 절차적 알고리즘을 활용하여 편집성과 seed 기반의 다양성을 유지한 채 새로운 포토리얼리스틱 에셋을 만든다. 100개의 오브젝트 생성 과제와 20개의 씬 생성 과제를 평가한 결과, 4개의 지각 지표에서 개선을 보였다고 밝혔다.
HOLI-World는 1인칭 시점 녹화 영상으로부터 대규모 학습 자원을 자동으로 구축하는 통합 생태계이다. 자체 수집한 약 100개 장면의 데이터로 약 8만 쌍의 QA 쌍을 만들었으며, 이를 HOLIWORLD-VL-4B 학습에 사용했다. 이 학습을 통해 HOLIWORLD-Bench와 EgoDynamic4D에서의 공간·시간 추론 성능이 크게 향상된 것으로 알려졌다.
SpecMRL은 학습된 스펙트럼 기저로 특징 공간을 재편성하여 압축된 임베딩의 품질을 높이는 기법이다. MTEB 실험에서는 평가한 모든 축소 차원에서 표준 MRL(Matryoshka Representation Learning)을 능가했으며, 압축률이 높을수록 그 차이가 커졌다. 임베딩 차원이 절반이어도 전체 차원의 MRL을 능가하는 결과를 보였다.
연구진은 월드 모델이 알려진 상태와 행동을 본 적 없는 조합으로 재결합했을 때 그 동역학을 일반화할 수 있는지 평가하는 벤치마크 'AnyGoal'을 제안했다. 여러 환경과 월드 모델 계열에서 검증한 결과, 현행 모델은 이 재결합 조건에서 일관되게 실패하는 것으로 나타났다. 아울러 벤치마크의 과제 세트와 오픈소스 라이브러리도 함께 공개됐다.
RoAR-VAE는 손상시킨 잠재 표현으로부터 의미 정보와 이미지 정보를 강건하게 예측하도록 함으로써, 비주얼 토크나이저의 재구성 정확도와 확산 모델에서의 학습 용이성을 동시에 확보하고자 하는 기법이다. 동일한 학습 예산 하에서 생성 벤치마크의 평균 성능은 가장 강력한 베이스라인 토크나이저를 2.19포인트 웃돌았다. 작은 글자의 재구성 정확도는 FLUX.1-VAE에 비해 16.93퍼센트포인트 높다.
ScaleNav는 인터넷상의 1인칭 시점 동영상에서 목표 지향적 시각 동역학을 학습하고, 언어 지시에 따른 로컬 내비게이션용 로봇 행동을 생성하는 프레임워크다. 시뮬레이션에서는 Short-Horizon OVON의 단일 시점 버전에서 86.5%, 자체 HabitatGS-LN 벤치마크에서 94.9%의 성공률을 기록해 평가한 모든 베이스라인을 웃돌았다. 또한 실제 4족 보행 로봇에도 적용해 실제 환경 내비게이션으로의 일반화 능력을 확인했다고 밝혔다.
이미 도입된 로봇들이 실행 경험을 공유해 공통 정책을 개선하는 학습 패러다임 '집합적 경험 학습(CEL)'을 제안한다. 실패 시의 문맥에서 공유된 성공 경험으로부터 관련 궤적을 검색하고, 그 행동을 교사 신호로 삼아 정책을 갱신하는 FERT를 통해 추가 전문가 수정 없이 5개의 실제 환경 조작 과제에서 93.3~99.2%의 성공률을 달성했다. 다단계 전화기 포장 과제에서는 96대의 로봇이 학습한 결과 성공률이 79.2%에서 98.3%로 향상됐다.
OpenVLHarness는 능력 레이어와 영속적인 멀티모달 메모리를 결합한 추론 하네스로, MLLM이 이종 도구에서 얻은 시각적 증거를 검색하고, 검사하고, 합성하면서 추론할 수 있도록 한다. 22개 벤치마크와 8개 백본으로 평가했으며, 도구를 사용하지 않는 베이스라인에 비해 평균 점수를 9.7~12.6포인트 끌어올렸다. GPT-6 Luna(medium 추론 강도)는 최대 강도의 기반 모델, Codex, Visual Sketchpad보다 7.7~8.5포인트 높았으며, 모델 토큰 비용은 최대 37%에 그쳤다.
OvisOCR3는 문서 분석, 일반 OCR, 핵심 정보 추출, 문서 도표 캡션 생성, 페이지를 넘나드는 표 재구성을 단일 모델로 수행하는 0.8B 시각언어 모델이다. OmniDocBench v1.6에서 종합 점수 96.74를 기록했으며, OCRBench v2에서는 영어 65.9, 중국어 61.3으로 1위를 차지했다. 5개의 4B 교사 모델로부터의 다중 교사 증류와 이후의 강화학습으로 학습되었다.
Policy-Mask는 동결된 확산 모델에서 식별 과제용 특징을 추출할 때, 확산 타임스텝, 네트워크 블록, 채널을 예산 조건부 정책으로 동시에 선택하는 기법이다. 동일한 예산 조건에서 고정형 추출법과 특징 필터 기준선을 웃돌았으며, ADE20K 세그멘테이션에서 38.9 mIoU, CIFAR-100 분류(128차원)에서 75.4% top-1, SPair-71k 의미적 대응에서 76.3 [email protected]을 달성했다.
AgenticRoboRL은 로봇의 플래너를 지도 파인튜닝과 다단계 강화학습으로 사후 학습하는 프레임워크로, LIBERO-PRO에서 9B 파라미터 플래너의 성공률을 외부 메모리 없이 18.1%에서 71.0%로 끌어올렸다. 외부 메모리를 사용하는 Codex(GPT-5.5)의 72.1%에 근접한 수준이다. 프레임워크와 학습된 플래너의 체크포인트는 공개될 예정이다.
HABIT-Bench는 식사·금융·소프트웨어·여행 4개 분야에서 수백 세션에 걸친 합성 사용자 이력으로부터 에이전트가 습관을 추정할 수 있는지 평가하는 벤치마크다. Qwen3-235B-A22B와 GLM-5.3-Flash에 8가지 메모리 기법을 적용해 평가한 결과, 가장 우수한 구성에서도 4지선다 과제의 macro accuracy는 33.61%에 그쳐 무작위 추측 수준인 25%를 크게 넘지 못했다. 주석이 달린 증거를 직접 제공했을 때도 큰 오류가 남아, 관련 이력을 찾아내는 것만으로는 충분하지 않다는 점이 드러났다.
가상 세계의 체화형 에이전트는 지속적 사전학습에서 데이터량, 다양성, 모델 규모를 늘릴수록 학습 성능이 향상되지만, 멀리 떨어진 세계로의 일반화에는 한계가 있는 것으로 나타났다. 검증에는 0.8B부터 27B까지 4가지 모델 크기, 50시간부터 1,600시간까지의 데이터량, Minecraft만 사용한 데이터부터 다양한 멀티월드까지 5종의 혼합 데이터로 구성된 120개의 학습 설정이 활용됐다. 3D 세계에서는 Minecraft 전용 모델 및 프런티어 모델과 경쟁했으며, 실시간 설정에서 가장 높은 성능을 보였다.
Specter는 양자화된 추측 디코딩과 expert offloading을 결합해 단일 GPU에서 MoE 모델 추론을 가속하는 추론 시스템이다. 단일 요청 추론에서 최신 시스템과 비교해 TPOT가 평균 1.50배(최대 1.88배) 향상된 것으로 보고됐다. 메모리가 제한된 단일 GPU 환경에서 일반적인 하드웨어 기반 MoE 추론을 보다 실용적으로 만드는 것이 목표다.
StreamEval은 인터랙티브 스트리밍 동영상 생성 모델을 5개 과제로 평가하는 통합 벤치마크다. 300개의 대본 기반 테스트 케이스(15~300초)로 37개 모델을 평가한 결과, 시각적 품질이 높아도 요청을 확실하게 수행하는 것과 상태의 일관성을 유지하는 것은 여전히 과제인 것으로 나타났다. 요청 수행 최고 점수는 아바타 연기 모델 7종의 Following에서 36.90, 텍스트 조건부 월드 생성의 Following에서 25.93, 참조 편집 모델 3종의 Edit Success에서 15.00에 그쳤다.