NeoMME: 효율적인 멀티모달 네이티브·다국어 인코더

Hugging Face가 260M과 800M 두 가지 크기로 구성된 다국어 멀티모달 인코더 「NeoMME」를 발표했다. 사전 학습된 비전 타워를 사용하지 않고, 단일 양방향 Transformer로 텍스트 토큰과 이미지 패치를 동시에 처리한다.

LFM2.5-350M를 100 GRPO 스텝으로 파인튜닝해 구조화 출력의 정확도를 개선

LFM2.5-350M을 TRL의 Group Relative Policy Optimization(GRPO)으로 약 500개 샘플, 100스텝 학습해 IFStruct 벤치마크 점수를 22.6%에서 29.7%로 끌어올리는 절차를 공개했다. 학습은 무료 등급의 Colab과 Kaggle GPU에서 실행할 수 있으며, 노트북은 GitHub에서 공개되어 있다. 평가는 llama.cpp를 사용해 MacBook에서 로컬로 진행했고, 베이스라인은 22.6%로 IFStruct 공식 블로그가 보고한 21.1%에 가까운 결과였다.

BenchMIRT로 보는 LLM 벤치마크의 실제 측정 대상

Hugging Face가 LLM 벤치마크를 개별 프롬프트 단위로 분석하는 기법 「BenchMIRT」를 발표했다. 100개의 LLM, 16개의 벤치마크, 34K개가 넘는 질문의 결과로부터 사전 지정 없이 「안전성」과 「범용 추론」이라는 두 가지 주요 차원을 추출했다. 예를 들어 BBQ는 안전성 벤치마크로 분류되지만 범용 추론과의 상관이 강했고, WMDP도 안전성보다 범용 추론과 강하게 연관되어 있었다.

MAPL-EMIT, 딥러닝으로 우주에서 메탄 배출원을 전 세계 규모로 지도화

Google Research는 NASA의 EMIT 초분광 데이터에서 딥러닝으로 메탄 플룸(배출원에서 퍼져 나가는 띠 모양의 메탄 가스)을 탐지하는 "MAPL-EMIT"를 개발했다고 밝혔다. 전문가가 주석을 단 플룸에 대한 재현율은 84%였으며, 기존 matched-filter 방식보다 높은 신호 대 잡음비를 보였다. 플룸 데이터베이스는 Earth Engine에, 학습된 모델과 합성 플룸은 Kaggle에, 추론 라이브러리는 GitHub에 공개되어 있다.

Google, Earth AI용 지구 규모 예측 모델을 자동 구축하는 「Planetary prediction engine」 발표

Google은 Earth AI의 실험적 연구 기능인 「planetary prediction engine(PPE)」을 발표했다. 데이터 탐색부터 모델 학습까지의 지리공간 모델링을 자율적으로 수행하며, 기존에 수 주가 걸리던 작업을 수 분으로 줄인다고 밝혔다. 미국 CDC의 21개 건강 지표에서는 평균 R²가 수동 전문가 파이프라인의 60.0%인 데 비해 76.8%를 기록했다. 콩고민주공화국의 에볼라 유행 예측에서는 Recall@10이 83.3%로, 공개된 베이즈 모델의 약 73%를 10.3%포인트 웃돌았다.

GlucoFM: 연속혈당측정 데이터를 위한 기반 모델

Google Research는 연속혈당측정(CGM) 데이터를 위한 자기지도 학습 기반 모델 「GlucoFM」을 발표했다. 4개 코호트와 7개 임상 예측 과제(총 14개 평가)에서 PR-AUC 평균은 58.8로, 같은 데이터로 재학습한 최강의 CGM 전용 베이스라인 54.7보다 4.1포인트 높았다. 라벨이 없는 CGM 데이터 109,066시간으로 사전 학습했으며, 식후 혈당 반응(PPGR) 예측에서도 같은 조건에서 MAE가 가장 낮았다.

Sentence Transformers로 멀티벡터 임베딩 모델을 학습·파인튜닝하기

Sentence Transformers v6.0에 새로 추가된 모델 타입 MultiVectorEncoder를 사용해 ColBERT 방식의 레이트 인터랙션 검색용 멀티벡터 모델을 파인튜닝하는 절차가 소개된다.

AgentHands, XR 공간에 맞춘 에이전트 대화용 손 제스처 생성

Google은 XR에서 AI 에이전트의 음성에 맞춰 손 제스처를 생성하는 연구 프로토타입 「AgentHands」를 발표했다. CHI 2026에서 발표된 연구로, LLM 응답에 삽입된 제스처 이벤트를 단어 단위 타임스탬프를 이용해 음성과 동기화한다. 12명을 대상으로 한 피험자 내 실험에서는 음성만 사용하는 기준선과 비교해 공간적 그라운딩이 유의미하게 향상된 것으로 보고됐다.

Multiverse Computing, 4비트 압축 모델 회복 기법 QAH 제안… bfloat16 버전을 9개 중 7개 벤치마크에서 상회

Multiverse Computing은 압축과 양자화를 거친 모델을 회복하는 Quantization-Aware Healing(QAH)을 제안했다. GPT-OSS 120B를 60B로 압축해 MXFP4로 만든 모델이 자체 bfloat16 버전을 9개 벤치마크 중 7개에서 상회했다. 압축 전 원본 모델을 교사로 삼아 KL 발산으로 증류한다는 점이 특징이다.

웨어러블 데이터에서 후보 바이오마커를 선정하는 AI 도구 「Biomarker Discovery Framework」

Google Research가 웨어러블 센서 데이터에서 후보 바이오마커의 우선순위를 매기는 멀티 에이전트 시스템 「Biomarker Discovery Framework」를 소개했다. 사람의 감독 아래에서 가설 생성, 통계 분석, 적대적 검증 등을 반복적으로 수행하는 구조다.

Atari에서 EVE Online까지, Google DeepMind의 게임 AI 연구 15년

Google DeepMind는 게임 개발자와 협업해 새로운 게임플레이 경험을 프로토타입으로 개발하고 있으며, EVE Universe를 만든 Fenris Creations와의 새로운 연구 파트너십도 그 일환이다. 회사는 Atari 2600 게임을 학습한 DQN부터 AlphaGo, AlphaStar에 이르기까지 게임을 통한 AI 연구의 성과를 돌아보고 있다.

ME-POIs, 모빌리티 데이터로 언어 모델의 장소 이해를 심화하는 방식

Google Research는 집계·익명화된 이동 데이터를 언어 모델의 장소 표현에 통합하는 「ME-POIs」 프레임워크를 소개했다. 학습 시 보지 못한 장소를 대상으로 한 평가에서 방문 의도 예측은 최대 81.9%의 상대적 향상을, 가격대 분류는 75.1%의 개선을, 혼잡도 추정 정확도는 24.7%의 향상을 보였다. 이동 데이터는 공개 벤치마크 데이터셋에서 가져왔으며, 자기지도 학습을 통해 텍스트 설명과 통합된다.

Hugging Face、음성 인식 벤치마크에 대한 과적합을 측정하는 3가지 테스트 제안

Hugging Face는 음성 인식(ASR) 모델이 공개 벤치마크 고유의 패턴에 최적화되어 있는지를 측정하는 3가지 테스트를 제안했다. 오픈소스 ASR 모델 11개를 평가한 결과, 점수 상위의 여러 모델이 음성과 어긋나는 경우에도 VoxPopuli와 LibriSpeech의 참조 전사문을 그대로 재현했다. Open ASR Leaderboard에는 「Benchmark fitting」 탭이 추가되었다.

ALTK-Evolve로 살펴본 AI 에이전트의 최적 메모리 용량

AI 에이전트에 주는 메모리 양은 모델의 능력에 맞춰 조정할 필요가 있다. ALTK-Evolve는 에이전트가 과거 시도에서 추출한 가이드라인을 추론 시점에 주입하는 방식으로, 가중치는 업데이트하지 않는다. 강한 모델인 DeepSeek-V3.2(671B MoE)는 가이드라인을 전부 제공했을 때 작업 완료율(TGC)이 +9.5포인트 향상됐다. 반면 gpt-oss-120b(117B MoE)는 엄선한 검색형 주입으로 +16.1포인트 향상됐으며, 토큰 증가는 +5%에 그쳤다. GLM-5에서는 측정 가능한 개선이 나타나지 않았다.

Google, 스마트폰 사진으로 심대사 위험을 추정하는 「PhotoScan」 소개

Google은 스마트폰으로 촬영한 2D 사진에서 체지방률, A/G 비율, V/S 비율을 추정하는 실험 단계의 딥러닝 프레임워크 「PhotoScan」을 소개했다. PhotoBIA 코호트(677명)에서 PhotoScan의 체지방률 평균 절대 오차(MAE)는 2.15로, 스마트워치의 BIA 모델 2.91보다 작다. 독립 검증 코호트(132명)에서도 DXA에 가까운 정확도로 인슐린 저항성을 예측할 수 있게 한다고 밝혔다.

Hugging Face, ICML 2026 논문 2,226편을 에이전트로 재현한 결과 공개

Hugging Face는 ICML 2026의 Open Reproductions 해커톤에서 커뮤니티가 논문 2,226편을 재현한 결과를 공개했다. 조사 대상의 51%(1,103편)에서는 최소 1건의 주장이 검증됐고, 23%(496편)에서는 최소 1건의 주장이 반증되거나 쟁점이 됐다. 사람이 에이전트를 이끄는 역할의 중요성도 함께 보고했다.

OlmoEarth Studio, 다운스트림 분석을 위한 맞춤형 임베딩 내보내기 제공 시작

OlmoEarth Studio에서 오픈소스 OlmoEarth 기반 모델의 임베딩 벡터를 원하는 범위에 대해 계산하고, Cloud-Optimized GeoTIFF(COG)로 내보낼 수 있게 되었다. 맞춤 계산 임베딩은 Studio 사용자를 대상으로 제공되며, 이용은 문의를 통해 이루어진다. 베트남 Ca Mau의 맹그로브 지역에서는 60개 픽셀에 불과한 레이블만으로 학습한 선형 분류기가 가중 F1=0.84의 토지 피복 지도를 만들어냈다.

Google Research, LLM 사실성의 병목은 부호화가 아니라 회상이라고 지적

LLM의 사실 오류 대부분은 지식이 아직 없는 "빈 선반"이 아니라 꺼내지 못하는 "잃어버린 열쇠", 즉 회상의 실패라고 Google Research가 밝혔다. Gemini-3-Pro와 GPT-5에서는 사실의 95–98%가 부호화되어 있지만, 직접 회상하지 못하는 사실이 26–34%였고, 사고를 활용해도 11–12%는 실패한다.

Google Research, 실시간 영상 진료를 지원하는 AMIE (Video) 발표

Google Research는 Gemini와 Project Astra를 기반으로 실시간 영상 진찰을 수행하는 연구용 AI 시스템 AMIE (Video)를 공개했다. 100개 시나리오, 300건의 모의 진료를 대상으로 한 무작위 배정 연구에서 핵심 임상 역량이 일차 진료의(PCP)와 동등하다고 평가됐다. 다만 평가는 모의 환자를 활용한 환경으로 제한되어 있어, 실제 환자를 대상으로 한 검증이 다음 과제로 꼽힌다.

ACE보다 적은 토큰으로 동등 이상의 정확도, ALTK-Evolve 검증 결과

ALTK-Evolve는 에이전트의 과거 궤적에서 얻은 교훈을 ACE처럼 전부 주입하지 않고 태스크마다 골라서 전달하는 방식으로, AppWorld에서 ACE보다 적은 토큰으로 높은 정확도를 보였다. DeepSeek-V3.2에서는 TGC 89.3, SGC 80.4로 ACE의 TGC 80.4, SGC 73.2를 웃돌았으며, 토큰 수는 263K와 634K였다. gpt-oss-120b에서는 TGC 56.0 대 54.8로 거의 동등했고, 토큰 수는 116K와 777K이다.

지식 증류 비용을 낮추는 오프라인 Top-K logits와 융합 청크화 KL 손실

교사 모델의 Top-K logits를 사전에 오프라인으로 계산해 캐시하고, 어휘 전체×시퀀스 길이 행렬을 만들지 않는 융합 청크 방식 KL 손실과 결합함으로써 지식 증류의 학습 비용을 줄이는 기법이 제시되었다. gpt-oss-120b(어휘 201,088개), 시퀀스 길이 32K, 배치 크기 4인 경우 기존 Dense KL은 학습 이터레이션 1회당 피크 VRAM이 약 250GB 필요한 반면, 융합 청크 KL은 약 128GB로 억제된다. 이를 통해 단일 GPU에서 장문 컨텍스트 회복(healing)이 가능해진다.

Microsoft Research와 Paige, 병리 기반 모델 PRISM2 개발해 Nature Medicine에 발표

Microsoft Research와 Paige(현 Tempus 산하)는 조직 이미지와 병리 보고서에서 얻은 언어로 학습한 병리 기반 모델 PRISM2를 개발해 Nature Medicine에 발표했다. 전립선암, 유방암, 유방 림프절 전이 검출 등 여러 벤치마크에서 전용 암 검출 시스템과 대등하거나 이를 웃도는 성능을 보였다. 모델 가중치는 연구 목적으로 Hugging Face에 공개됐다.

Science One Framework, Chain-of-Evidence 기반 검증 가능한 자율형 연구 프레임워크 제안

Google Research가 AI가 생성하는 연구 성과의 주장을 증거의 연쇄(Chain-of-Evidence)로 추적할 수 있도록 하는 자율형 연구 프레임워크 「Science One Framework」를 발표했다. 기존 베이스라인 시스템은 참고문헌의 최대 21%를 환각(할루시네이션)으로 생성한 반면, 이 프레임워크는 가상의 참고문헌을 0으로 억제했다. 75편의 논문을 대상으로 한 CoE Audit에서는 4개의 정합성 검사 모두에서 기존 시스템을 웃돌았으며, MLE-Bench와 Parameter-Golf 같은 벤치마크에서도 최첨단 성능을 달성했다고 밝혔다.

Kimi.ai@Kimi_MoonshotAI 점수3636

Kimi(Moonshot AI)는 시각 지각을 기본 능력 단위로 나누어 평가하는 벤치마크 'PerceptionBench'를 공개했다. 42개 벤치마크에서 나타난 프런티어 모델의 실패 사례를 분석해 10가지 원자적 지각 능력을 도출했으며, 추론이나 외부 지식 없이 보기만 하면 답할 수 있는 검증된 질문 3,000개를 구축했다. 블로그, GitHub, Hugging Face에서 공개되어 있다.

Google Research, 증상 평가 대화형 AI 에이전트 'SymptomAI' 연구

Google Research는 일상적인 증상 평가를 위한 대화형 AI 에이전트 SymptomAI의 연구 결과를 공개했다. Gemini Flash 2.0을 기반으로 한 5종의 에이전트를 사용했으며, 전국 규모의 무작위 배정 연구(n=13,917)로 평가했다. 임상의 3명의 평가에서 SymptomAI의 감별 진단(DDx)은 다른 임상의의 진단과 동등하거나 그 이상의 빈도로 선호되었으며, top-5 Accuracy에서도 임상의를 앞섰다.

구글, 양자 오류 정정 검출 결과를 활용한 강화학습 제어를 Nature에 발표

구글은 양자 오류 정정의 검출 이벤트를 학습 신호로 활용해, 계산 중에 수천 개의 제어 파라미터를 조정하는 강화학습 프레임워크를 Nature에 발표했다. Willow 초전도 프로세서에서는 인위적인 드리프트 상황에서 논리 안정성이 3.5배 향상됐다. 전문가에 의한 보정 이후에도 논리 오류율은 20% 더 억제됐다.

Google Research, 확산 모델 창의성의 기원 해설

확산 모델의 '창의성'은 신경망 학습 과정에서 생기는 '스코어 평활화(score smoothing)'에서 비롯된다고 Google Research가 설명했다. 학습 데이터 사이를 잇는 보간 영역에서 새로운 데이터가 생성되는 구조로, 가중치 감쇠(weight decay)가 강할수록 학습된 스코어 함수가 중간 영역에서 더 매끄러워진다는 것을 1차원 실험으로 보였다. 연구 성과는 ICLR 2026에서 발표된 논문 「On the Interpolation Effect of Score Smoothing in Diffusion Models」에 정리되어 있다.

Google Research, 웨어러블 건강 데이터용 기반 모델 SensorFM 발표

Google Research가 라벨 없는 웨어러블 데이터로 학습하는 대규모 센서 기반 모델 SensorFM을 발표했다. 500만 명의 1조 개가 넘는 센서 신호로 사전 학습했으며, 35개 건강 과제 중 34개에서 엔지니어링 특징량 기반의 지도 학습 기준선을 웃돌았다. AI 에이전트를 활용한 예측 헤드의 자동 설계와 Personal Health Agent에 대한 통합도 검증하고 있다.

LG AI연구원, ICML 2026에서 '엑사원' 혁신 사례 공개

LG AI연구원이 ICML 2026에서 엑사원의 산업 현장 성과 사례를 공개하고 논문 14편을 발표했다. 발표한 신소재 생성 AI 기술은 글로벌 벤치마크 LeMat-GenBench에서 글로벌 2위를 기록했다. 엑사원 데이터 파운드리는 데이터 생산성을 최소 1,000배 이상 높이고 품질을 평균 20% 이상 개선했다고 밝혔다.

협조형 라우팅으로 교통 체증 완화, 미국 10개 도시에서 진행한 Google Maps 실험

Google Research는 미국 10개 도시에서 Google Maps의 경로 안내를 일부 변경한 실험 결과, 소수의 주행만 분산시켜도 도시 전체의 교통이 개선됐다고 발표했다. 정체 구간을 피하는 대체 경로를 제시하자 해당 구간의 주행 속도는 중앙값 기준 약 2% 향상됐고, 연료 소비율은 0.5%에서 1.0% 낮아졌다. 경로 변경을 수용한 주행은 관측된 전체의 2% 미만이었으며, 연구 성과는 Nature Cities에 게재됐다.

Google, 50개 이상 도시의 건물 단위 지붕 반사율 데이터 공개… 도시 냉각 지붕 정책 지원

Google Research는 50개 이상의 세계 도시를 대상으로 건물 단위 지붕 반사율(알베도) 데이터셋을 공개하고, 이 데이터를 제공하는 Heat Resilience Earth Engine App을 시작했다. Sentinel-2 위성 데이터와 30cm 해상도 위성 영상(Airbus Pléiades Neo)을 융합하는 방식을 사용했으며, 제곱근 평균 제곱 오차(RMSE) 0.04로 검증됐다. 대상은 9개국의 50개 이상 도시로, 런던, 아테네, 바르셀로나, 리우데자네이루, 상파울루, 로스앤젤레스, 오스틴, 뉴욕시 등이 포함된다.

Google Research, 선형 탄성 캐시로 클라우드 TCO 절감

Google Research는 페이지 축출을 ski rental 문제로 보고, 경량 머신러닝으로 캐시 크기를 동적으로 조정하는 「linear elastic caching」을 발표했다. Spanner 프로덕션 환경에서 수개월간 운영한 결과, 고정 크기 캐시와 비교해 메모리 사용량은 15.5% 감소했고, 캐시 미스는 5.5% 증가에 그쳤으며, TCO는 약 5% 절감됐다. TTL 예측에는 몇 줄의 C++ 코드로 변환할 수 있는 얕은 결정 트리를 사용한다.

추론이 사실 회상을 여는 메커니즘, LLM 파라메트릭 지식에 미치는 영향 검증

구글 리서치는 LLM에 추론 트레이스를 생성하게 하면, 추론 없이는 사실상 도달할 수 없는 정답을 끌어낼 수 있다는 것을 보여줬다고 밝혔다. 이는 COLM 2026에서 발표될 논문 「Thinking to Recall」에서 검증된 내용이다.

픽셀에서 계획으로: 자연 재생을 위한 Earth AI

Google은 Earth AI를 활용해 잉글랜드의 생울타리, 돌담, 소규모 숲 등 미세한 수목 지형지물을 고해상도로 탐지하고, 이를 지도화한 벡터 데이터셋을 공개했다고 밝혔다. 이 모델은 3억 장이 넘는 위성 이미지로 사전 학습된 Remote Sensing Foundations(RSF)의 Vision Transformer(ViT) 백본을 기반으로 하며, 약 247km²의 주석 데이터로 파인튜닝되었다. 수관과 지표면의 경계를 이중 층으로 라벨링했으며, Polsby–Popper compactness score가 0.5 미만인 가늘고 긴 형태를 선형 수목 지형지물로 분류했다.

Google Research, AI 기반 피부 증상 이해 지원 검증

Google Research는 AI를 활용한 피부 증상 정보 도구가 이용자의 병명 특정에 도움이 되는지를 2,345명을 대상으로 한 조사로 검증했다. AI 지원 그룹에서 병명을 추정할 수 있었던 비율은 23%로, 기존 검색을 사용하는 대조군의 8%를 크게 웃돌았다. 반면 다음에 취해야 할 행동의 정답률은 표준 AI 그룹에서 통계적으로 유의미한 개선이 나타나지 않았다. AI 그룹은 대조군보다 긴급도가 낮은 행동을 제안하는 경향이 약간 높았다(30% 대 27%).

Google Research, 기계학습 언러닝을 감사하는 새로운 프레임워크 발표

Google Research는 기계학습 언러닝을 감사하는 새로운 프레임워크 「Regularized f-Divergence Kernel Tests」를 발표했다. AISTATS 2026에서 발표된 기법으로, 언러닝 후의 모델이 재학습 모델과 원래 모델 중 어느 쪽에 분포적으로 더 가까운지를 판정한다. 이론적으로는 샘플 수와 관계없이 위양성을 억제할 수 있으며, 데이터 수가 늘어날수록 위음성의 위험이 0으로 수렴한다고 알려져 있다.

Google DeepMind, 시에라리온에서 Gemini 활용 Guided Learning의 학습 효과 측정

Google DeepMind는 시에라리온에서 실시한 사전 등록 시험에서 Guided Learning을 사용한 학생들의 수학 점수가 대조군보다 +0.258 표준편차 상승했다고 발표했다. 8주간의 시험 기간은 일반적인 학습 진도의 약 1.2~1.7년 분에 해당한다. 69%의 학생들이 이용 목표를 달성하거나 넘어섰다.

Google, Gemini Enterprise Agent Platform용 Agentic RAG 발표… 여러 데이터 소스를 가로지르는 검색으로 정확도 향상

Google이 Gemini Enterprise Agent Platform용 Agentic RAG 기반 크로스 코퍼스 검색(Cross-Corpus Retrieval)을 제공한다고 발표했다. 여러 에이전트가 계획, 쿼리 재작성, 검색을 나눠 맡고, 정보가 부족하지 않은지 확인하면서 검색을 이어간다. 표준 RAG와 비교해 사실성 데이터셋에서 정확도가 최대 34% 향상된 것으로 알려졌다.

Google Research, 스마트폰 카메라로 심박을 수동적으로 측정하는 PHRM을 Nature에 발표

Google Research는 얼굴 인증으로 잠금을 해제한 직후 전면 카메라로 촬영한 얼굴 영상에서 일상적인 스마트폰 사용 중의 심박수(HR)와 안정시 심박수(RHR)를 추정하는 연구 시스템 PHRM을 발표했다. 논문은 Nature에 게재됐다. HR의 오차는 MAPE 기준 10% 미만이며, 일일 RHR은 웨어러블 기기와 비교해 MAE 5 bpm 미만이다. 대규모 데이터셋과 학습된 모델 「PHRM-mini」도 자격을 갖춘 연구자를 대상으로 공개된다.

구글의 제로 트러스트 집계 기반 프라이빗 분석

구글은 제로 트러스트 원칙에 따라 암호 기술을 이용한 안전한 집계와 TEE(신뢰 실행 환경)를 결합한 새로운 프라이빗 분석 체계를 도입했다고 밝혔다. 새로운 암호 프로토콜은 단말이 한 번의 메시지로 정보를 보낼 수 있어, 여러 라운드에 걸쳐 단말을 온라인 상태로 유지할 필요가 없다. TEE의 어테스테이션을 통해 참가자는 공개된 코드가 의도대로 실행되고 있는지 검증할 수 있다.