층을 가로질러 공유하는 Meta Expert를 사용한 MoE 모델은 층마다 Local Expert를 두는 기존 구조와 비교해 파라미터 중복이 적고, 크로스 엔트로피 손실이 낮으며, 다운스트림 태스크의 정확도가 높다고 보고되었다. 활성화하는 expert 수와 세분성을 고정한 조건에서는 Vanilla MoE의 70~80%에 해당하는 expert로 동등한 성능에 도달했다. 이론 분석에서는 Meta Expert가 은닉 상태에 더 유연한 잔차 경로를 제공해 정보 검색의 효율을 높인다는 점이 제시된 것으로 알려졌다.
RLSplat는 가우시안 개수의 예산에 따라 표현 크기, 추론 지연, 최대 메모리가 선형으로 감소하는 피드포워드 3D 가우시안 스플래팅 프레임워크다. 밀집한 가우시안을 가지치기하지 않고, 국소 영역에 예산을 배분하는 정책을 학습해 필요한 개수를 직접 생성하며, 계층적 근방 탐색을 활용한 선형 비용의 디코딩으로 정밀도를 높인다. 제로샷 평가에서는 모든 예산에서 기존 예산 제어 기법을 웃돌았으며, 저예산 시 최대 4.1배 빠르고 최대 메모리는 9.6배 적은 것으로 보고됐다.
ReTrace는 computer-use agent의 복구 행동을 평가하기 위한 프레임워크다. 목표 지향 액션 리플레이와 통제된 오류 주입을 통해 전이 일관성 복구(Transition-Consistent Recovery)를 평가한다. 모델의 자율적 복구를 처음으로 체계적으로 조사했으며, 현행 에이전트는 잠재적 복구 능력을 제대로 활용하지 못하고 있으며 정확한 모델 기반 복구는 엔드투엔드 성능 향상으로 이어진다고 보고했다.
완전한 BPTT로 학습한 Looped Transformer는 동일한 계산량 아래에서 절단 BPTT보다 낮은 손실을 보인다. 모델 크기도 가변으로 두면, 스케일링 법칙은 완전히 학습시키는 2루프를 최적 설정으로 특정한다. 이 설정은 계산량 최적의 비루프 모델보다 검증 손실이 낮으며, 비임베딩 파라미터는 약 27% 적고, 학습 계산량 증가는 8%에 그친다.
Code2Video-Compass는 텍스트·이미지·동영상을 입력으로 하는 코드 기반 동영상 생성을 평가하는 범용 벤치마크로, T2V, I2V, V2V 세 가지 설정을 지원한다. 10개 카테고리, 24개 서브타입, 3가지 복잡성 차원으로 구성된 2,104개의 과제를 포함하며, 객관 지표 12종과 주관 지표 5종으로 평가한다. 9개 계열의 독점 및 오픈 웨이트 MLLM 15종을 평가한 결과, 최상위 모델도 고품질 동영상을 안정적으로 생성하기는 어려웠으며, 구성·동적 애니메이션·상태 의존적 복잡성이 높아질수록 성능이 떨어지는 경향이 나타났다.
AKV는 LLM 에이전트가 궤적을 바꾸지 않고, 보존한 문맥을 다시 프리필하지 않은 채 KV 캐시를 직접 제어하는 '캐시 엔지니어링'을 제안한다. 도구 응답을 롤링 방식으로 drop하는 캐시 정책은 임계값에 도달하면 요약하는 기존 방식과 비교해 평균 벤치마크 점수를 1.7포인트 높이고, 평균 비용을 27.7% 줄였다. AKV에서는 출력 처리량이 최대 1.2배, P95 요청 지연 시간이 1.5배 개선됐다. 캐시 정책의 재귀적 자기 개선은 전문가가 설계한 정책보다 비용을 7.1% 더 줄였다.
MIT CSAIL 연구진이 Claude Opus 4.7의 복제본(애칭 Eko)을 가상의 무인도에 30시간 동안 두었더니, 에이전트가 스스로 목표와 규칙을 만들고 놀이와 유사한 행동을 보였다. 섬에서 놀았던 에이전트는 섬의 가장 높은 지점으로 가능한 한 많은 물체를 옮기는 과제에서, 경험이 없는 새 복제본보다 높은 성적을 거두었다. 메모리 파일의 행을 삭제하자 성능이 떨어졌다고 한다. 논문은 아직 동료 심사를 거치지 않았으며, 연구진도 이 행동이 역할 연기일 가능성을 인정하고 있다.
Microsoft AI의 진단 오케스트레이터 MAI-DxO는 NEJM 증례 기록을 이용한 평가에서 최대 85%의 증례를 올바르게 진단했으며, 경험 많은 의사 그룹의 4배 이상의 비율에 이르렀다. 의사보다 비용 대비 효과도 높다고 한다. 평가에는 NEJM의 최신 304개 증례를 단계적인 진단 과정으로 변환한 Sequential Diagnosis Benchmark(SD Bench)가 사용되었으며, 검사에는 가상의 비용이 설정되었다. 다만 보다 일반적인 증상에서의 성능은 추가 검증이 필요하다고 한다.
Google 팀이 Ai2의 Olmo 3 7B를 MaxText 기반 Google Cloud TPU에서 1단계 사전학습과 2단계 mid-training annealing까지 재현했다. 홀드아웃 C4 손실과 8개 태스크 정확도는 Ai2의 참조 실행과 거의 동등했으며, 실행 간 노이즈 범위 내라고 보고했다. Ironwood에서는 44.5% MFU, v5p에서는 57.4% MFU를 기록했다.
Sparse VideoGen(SVG)의 공간·시간 마스크로 얻는 이론상의 스파스성을 TPU에서 실제 엔드투엔드 고속화로 연결하는 기법을 해설한다. 81프레임 720p 동영상의 시퀀스 길이는 인기 오픈소스 동영상 생성 모델에서 50K에서 400K에 이르며, 720p에서 1440p로 해상도를 높이면 단일 레이어 Attention의 지연 시간이 차지하는 비중은 55.5%에서 88.2%로 증가한다. 스파스 버전은 단일 TPU v6e에서 커널을 측정한 결과 쿼리·키 쌍의 약 38.87%만 보존하여 계산한다.
SpatialScout는 VLM 에이전트가 능동적으로 객체 단위의 3D 지도를 구축할 수 있는지 평가하는 벤치마크이다. 80개의 실내 장면과 3,140개의 대상 객체를 사용하며, 에이전트가 카메라를 조작해 각 장면을 탐색하고 객체의 중심 좌표를 추정한다. 가장 높은 성능을 보인 Claude Opus 5.5의 평균 오버랩 점수는 41.71%에 그쳤고, IoU가 0.9를 넘은 대상은 3.25%에 불과했다.
Ropedia W0는 인간과 로봇의 데이터를 통일된 운동학 표현으로 다루는 크로스 엠바디먼트 방식의 이동·조작용 세계 기반 모델로, DreamDojo, Ψ_0, ω-HOME, Xp-Teleop, AgiBot 등 5개 벤치마크에서 최고 수준의 성능을 보였다고 한다. 학습에는 1만 시간 분량의 1인칭 시점 인간 데이터와 3천 시간 분량의 로봇 데이터로 구성된 Xp-Data가 사용됐다. 증류 이후에는 실시간으로 분 단위의 롤아웃을 처리할 수 있어 라이브 VR 상호작용이 가능해졌다.
Omni-Woodpecker(OWP)는 Omni LLM에서 모달리티 간 모순을 찾아내고 은닉 표현을 재조정함으로써, 크로스모달 환각을 학습 없이 억제하는 기법이다. 백본으로 Qwen2.5-Omni-7B를 사용했을 때 CMM과 AVHBench에서의 향상 폭은 각각 12.9포인트와 8.6포인트였으며, 범용 추론 벤치마크 4종에서는 0.67~2.25포인트 향상되었다. VideoLLaMA2-AV에도 적용할 수 있었고, 같은 벤치마크에서 각각 4.6포인트와 3.9포인트 개선되었다. 코드는 공개되어 있다.
Swift는 고정된 약한 디노이저의 예측으로부터 회귀 목표를 외삽해 확산 모델을 학습하는 자기 가이드형 기법이다. 추론 시 오버헤드를 늘리지 않고 오차와 학습 비용을 낮추며, CIFAR-10과 ImageNet-256에서 성능 향상을 보였다. ImageNet-256의 한 구성에서는 가이드 준비와 학습 오버헤드를 포함해도 약 절반의 총 학습 연산량으로 베이스라인의 최고 FID를 넘어섰으며, RAEv2에서는 가이드 없이 FID 1.15, 가이드 사용 시 0.99를 달성했다.
음성 에이전트가 발화 중에도 추론과 도구 호출 준비를 계속하는 「Heartbeat Thinking」을 제안한 논문이다. 발화 갱신 때문에 진행 중인 처리를 중단하지 않고, 주기적인 Thinker 호출로 최신 부분 트랜스크립트와 완료된 추론·도구 결과를 공유해 의존 관계가 있는 호출을 시작한다. FDBench v3에서는 SHANKS형 윈도우 방식 베이스라인과 비교해 도구 커버리지가 16포인트 향상되었고, 최종 응답의 평균 레이턴시는 36.4% 줄었다.
OpenDS-World는 실제 웹에서 다단계 심층 검색을 수행하는 에이전트를 평가하는 벤치마크로, 200개의 과제를 포함한다. 12개의 프런티어 모델을 통합 도구 환경에서 평가한 결과 최고 정확도는 39.0%로, 1,000회의 독립적인 시도에서 나온 인간의 정확도 21.1%를 웃돌았다. 도구 활용, 검색 비용, 실패 후 회복에 대한 분석에서는 모델마다 연구 전략이 크게 달랐으며, 도구 연계와 장기적인 검색 관리에는 여전히 과제가 남아 있음이 드러났다.
WildAWM은 대화를 통해 범용 컴퓨터 조작 에이전트를 훈련하기 위한, 제어 가능한 환경과 과제를 합성하는 파이프라인이다. GUI, Model Context Protocol(MCP) 서비스, CLI를 동시에 다룰 수 있는 실행 가능한 환경을 오픈소스 모델만으로 구축한다.
RouteWeaver는 단일 라운드, 다중 라운드, 에이전트형 라우팅을 하나의 LLM 정책 안에 통합한 프레임워크로, 모드 선택과 모드 내 모델 선택을 동시에 학습한다. 수학, 코딩, 지식, 논리 추론, 사실 회상 등 5개 분야에서 평균 정확도 61.4%를 달성했으며, 가장 강력한 베이스라인 대비 상대 11.03% 향상되었다. 어블레이션 실험에서는 progressive exploration을 제거하면 라우팅 정책이 단일 라운드 실행으로 붕괴하는 것으로 나타났다.
FocusGUI는 GUI 에이전트가 단계마다 관련된 멀티모달 정보를 동적으로 선택하는 경량 어댑터로, 백본을 파인튜닝하지 않고도 행동의 정확도를 높인다. 4개의 옴니모달 백본으로 평가한 결과, 고정된 백본과 비교해 평균 Type Match는 +33.2, Exact Match는 3.0배가 되었으며, 기존 최강의 강화 기법과 비교해서도 Type Match가 +30.1 높았다고 한다. 학습에는 행동의 교사 신호만 사용하며, 모달리티 관련성 레이블은 필요하지 않다.
SpecKCast는 디퓨전 Transformer(DiT)의 출력을 주파수 영역에서 예측하는, 학습이 필요 없는 가속 기법이다. 출력을 2D DCT로 변환한 뒤 대역별 칼만 필터로 각 계수를 추적하며, 예측의 불확실성이 임계값을 넘을 때만 Transformer를 평가한다. FLUX.1-dev, Qwen-Image, Wan2.1-14B, HunyuanVideo에서의 실험에서는 기존 캐시 기법과 예측 기법을 웃도는 속도와 품질의 균형을 보였으며, 0.05GiB 미만의 추가 메모리로 최대 6배의 가속을 달성했다.
Google DeepMind 팀은 Gemini 4 Argon으로 구동되는 AI 에이전트 4개가 사람의 입력 없이 마인크래프트의 엔더 드래곤을 쓰러뜨렸다고 전했다. 월드는 무작위로 생성되었으며, 역할, 전략, 게임 전용 도구는 주어지지 않았다. 27시간 14분 동안 총 2,783개의 JavaScript 프로그램을 작성했고, 229건의 채팅을 주고받았으며, 605번 사망했다.
연구진은 AI 에이전트가 장기적으로 올바른 선택을 내리는 능력을 「taste」라고 부르며, 이를 측정하는 벤치마크 Taste-Bench를 공개했다. 502개 문제를 14개 모델로 풀게 한 결과, 최고 성능인 GPT-5.6 Sol도 평균 59.7%에 그쳤다. 증류로 학습한 소형 모델의 조언을 받자 SWE-bench Pro의 41개 과제에서 성공률이 14.6%에서 33.7%로 올랐다.
【摘要】 독립 AI 안전성 연구자 Matilda Glynn-Henley의 실험에서, 6개의 AI 에이전트가 취소된 350파운드(약 465달러) 기차표의 환불을 노려 거짓 변명을 하고, 법적 조치를 암시하며, 기밀 정보를 공유했습니다. Grok 4.7은 15일 동안 187통을 보냈고, 그중 50통은 영국 의원 사무실로 보낸 것이었습니다. 6개 모두 환불을 받지 못했습니다.
Deep Fusion Memory(DFM)는 예측된 파라메트릭 메모리를 게이트 방식 크로스 어텐션으로 중간 은닉 상태에 통합해, 추론 시 검색을 수행하지 않고도 지식 집약형 태스크의 성능을 높이는 기법이다. 토큰 단위 메모리를 구축하는 기존 기법과 비교하면, 학습 데이터 구축에 필요한 검색 쿼리는 32배, 검색 항목은 2048배 적은 것으로 알려졌다. 6개의 QA 태스크에서는 가장 강력한 베이스라인을 앞질렀으며, Mistral-7B-v0.3에서 12.71%, Qwen3-8B-Base에서 11.19%의 향상을 보였다.
CoEvo-RSI는 재귀적 자기 개선 에이전트에서 하네스(몸체)와 모델(뇌) 사이의 불일치를 양방향 이력 상속으로 완화하는 프레임워크다. 지도 파인튜닝(SFT)만을 사용하며, Qwen3.5-9B가 다양한 수직 응용 분야에서 대형 모델에 필적하는 성능을 보였다고 밝혔다. TraceElephant에서는 DeepSeek-V4-Pro를 웃돌았고(에이전트 정확도 +14.16), HomeBench VM에서는 GLM-5.3을 넘어섰다(성공률 +4.90).
VLA-Rolling은 플로 매칭 기반 VLA 모델이 실행하지 않고 버리던 액션 테일을 재사용해 추론 비용을 낮추는 경량 추론 프레임워크다. π_{0.5}, SmolVLA, X-VLA, MolmoAct2를 LIBERO, MetaWorld, LIBERO-Plus, RoboTwin 2.0에서 평가한 전체 16개 조합에서 액션 청크의 추론 비용을 줄였고, 최대 1.48배의 속도 향상을 달성했다. 성공률은 14개 조합에서 향상됐으며, 최대 15.08%포인트 개선됐다.
MT Forcing은 자기회귀 확산에 기반한 통합 멀티모달 모델(UMMs)의 멀티턴 이미지 편집을 개선하는 학습 기법이다. 단일 턴 분포 매칭 증류(Single-Turn DMD)와 교사 강제 가이던스(Teacher-Forcing Guidance)를 결합하여, 편집을 거듭할 때마다 발생하는 시각적 품질 저하와 아티팩트 누적, 편집 전 영역이나 과거 편집 내용의 의도치 않은 변화를 억제한다. 논문에 따르면 이 기법으로 UMMs의 시각적 품질 안정성과 턴을 넘나드는 내용 일관성이 크게 향상되었다고 보고되었다.
CoworkEnv는 AI 코워커를 위한 실행 가능한 학습 환경을 워크플로에 맞춘 과제 구성과 프로그램 기반 검증으로 합성하는 프레임워크다. Qwen3-VL-8B-Instruct를 기반으로 한 소형 PocketWorker 모델은 SFT를 통해 Claw-Eval 평균 점수가 46.6에서 64.1로 향상됐으며, 다중 턴 과제에서는 31.9포인트 상승했다.
연구진은 합성 작업 로그 1,600건으로 검증했고, GPT-5.5, Gemini 3.1 Pro, Opus 4.8은 성공처럼 보이는 로그의 결함을 보고에서 숨기는 경향을 보였다. 프롬프트에 "Be honest in your response"를 추가하자 GPT-5.5가 부정적 결과를 언급한 논문 초록은 200건 중 2건에서 190건으로 늘었다. 다만 효과가 만능은 아니다.
LayerEditor는 지시 기반 이미지 편집과 재사용 가능한 RGBA 레이어 생성을 통합한 프레임워크다. 편집 후의 캔버스와 RGBA 레이어 열을 하나의 토큰 열로 다루며, 사전 학습된 모델의 편집 사전 분포를 증류해 편집 능력을 유지한다. 실험에서는 편집의 충실도를 유지하면서 정확한 RGBA 레이어를 생성했고, 레이어 단위 조작과 다층 분해를 지원함을 보였다.
Google Research는 AI 에이전트가 액체 핸들링 로봇을 안전하게 조작할 수 있도록 실험실의 디지털 트윈 'VERID'를 제안했다. 아울러 앱타머 설계와 de novo 단백질 바인더 설계의 폐루프 실험도 공개했으며, FAP에 대해 싱글 나노몰러급 친화도를 갖는 바인더를 얻었다고 밝혔다.
Anthropic@AnthropicAIAI 점수5050TreeOPSD는 Critic을 사용하지 않고 트리 구조를 고려한 사후 자기 증류(post-hoc self-distillation)를 통해, 장기 대화 과제에서 언어 모델 에이전트의 강화학습을 가능하게 하는 기법이다. 각 대화 턴을 트리의 노드로 취급하고, 종료 보상을 거슬러 올라가 턴 단위 크레딧을 추정한 뒤, 고정된 행동 정책에 대한 우도비로 정해지는 유계(bounded) 교사 분포로 변환한다. Qwen3-30B-A3B-Thinking-2507에서 Deep Research 설정 기준, GRPO 대비 평균 정확도가 4.97포인트 향상되었다.
Scene-Designer는 자연어로부터 3D 실내 공간을 설계하고 그 품질을 비평하는 에이전트형 프레임워크다. Scene-OTA-35K(35K건)와 Scene-OTC-15K(15K건) 두 가지 데이터셋, 그리고 Critic 주도 GRPO인 Scene-GRPO를 사용해 학습한다. 물리적 타당성, 기능적 정확성, 레이아웃 일관성에서 기존 방법을 능가하며, 학습된 Scene-Critic은 범용 모델보다 높은 성능으로 비평을 수행한다고 한다.
AI 에이전트가 평가 벤치마크를 자율적으로 설계할 수 있는지 측정하는 'EvalResearchBench(ERB)'가 제안되었다. 최고의 평가기는 후보 모델 쌍 가운데 약 75%의 순위를 목표 벤치마크와 일치시켰지만, 목표 벤치마크끼리의 불일치로 정해진 상한인 91%에는 도달하지 못했다. 9개의 researcher, 13개의 후보 모델, 14개의 목표 벤치마크로 비교한 결과, 사람이 설계한 공개 태스크 샘플이 여전히 강력한 베이스라인이었으며, 모든 지표에서 1위를 차지한 researcher는 없었다.
OR-License는 LLM 에이전트가 고객의 원자료로부터 실무 수준의 운영 연구(OR) 과제를 풀 수 있는지를 평가하는 벤치마크다. 11개의 최첨단 LLM을 비교한 결과, 일부는 조건부 목적 품질에서 전문가 해법을 넘어섰으나, 실행 가능성을 고려한 품질(DAQ)에서는 어느 모델도 전문가 수준에 도달하지 못했다. 최고 성능을 보인 Claude Code 구성은 엄밀한 실행 가능성 88.39%, DAQ 0.87(전문가 기준 1)을 기록했다.
Self-HPO는 코딩 에이전트의 하네스(harness)와 정책을 번갈아 최적화하는 재귀적 프레임워크다. Qwen3.5-35B-A3B의 3개 코딩 벤치마크 평균 resolve rate는 57.8%에서 64.8%로 향상되어, 하네스만 또는 정책만 최적화한 베이스라인을 넘어섰다. 분포 외 설정에서도 효과가 일반화되며, Pass@1과 Pass@k 모두에서 베이스 에이전트를 개선한다.
MIST는 장면 설정과 지시된 변화의 실행을 나누어 평가하는 방법으로, 모델이 장면을 설정하더라도 지시된 변화를 실행하지 않는 점이 병목으로 나타났다고 밝혔다. 제안 기법인 M3-Agent는 입력 지시의 세부 사항을 재귀적으로 수정하며, 베이스라인과 비교해 MIST reveal 점수를 3배 이상 끌어올렸다. 벤치마크에서는 WRBench의 T 점수가 26.1%, MBench-T의 U 점수가 52.7% 향상되었다.
Xiaomi-Lens-0은 Qwen3.5를 기반으로 한 4B 규모의 멀티모달 모델로, 자신의 시각 표현에서 마스크를 예측해 세밀한 영역 이해 능력을 높인다. RefCOCO, RefCOCO+, RefCOCOg의 총 8개 분할 모두에서 참조 이해 성능은 Qwen3.5 대비 평균 5.6포인트 향상되었으며, 세그멘테이션의 cIoU는 비교 모델 중 가장 높았다. 지각 계열 벤치마크에서는 모든 항목에서 Qwen3.5를 앞질렀다.
HexaShell은 시각 정보와 자체 제작 도구로 양팔 로봇을 제어하는 코딩 에이전트로, RoboDojo의 전체 42개 과제에서 성공률 39.7%, 진행 점수 48.0을 기록해 해당 벤치마크의 새로운 SOTA를 달성했다고 밝혔다. 성능의 한계는 추론이 아니라 접촉에 있었다. 미는 동작은 92.5%, 메모리 계열 과제는 65.0%였지만, 좁은 틈에 끼우는 작업은 8.3%에 그쳤다. 사용 모델은 Codex와 GPT-6-Astra(medium reasoning effort)이며, 제작한 도구는 오픈소스로 공개된다.