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 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.
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.
Import AI 469는 숨겨진 규칙을 탐색으로 찾아내는 능력을 측정하는 70개 게임 벤치마크 DiG-bench를 다룬다. Claude Code를 함께 사용한 Opus 5와 Fable 5가 최상위이지만, Tier 7에서 해결한 비율은 0.2에 그쳤고, 사람은 100%를 달성한 사례가 있다. 이 밖에도 RSI 시뮬레이터와 Inherent의 과학 AI 모델 Faraday를 소개한다.
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 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.
선정 이유: ICML 2026 논문의 약 3분의 1을 에이전트로 재현한 결과와, 잘못된 반증까지 포함한 검증 과정이 공개되었다. 심사(피어 리뷰)에서 에이전트와 사람이 어떻게 역할을 나눌지 생각해 볼 만한 자료다.
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.
저자 Nathan Lambert는 LLM의 논픽션 장문 집필 능력이 코딩이나 수학만큼 발전하지 않았다고 주장한다. 문장 단위의 수정이나 수식 처리는 잘하지만, 장 전체를 짜임새 있게 구성하고 정리하는 능력은 부족하며 작은 오류가 쌓인다고 한다. 실제 사례로 GPT 5.5 Pro는 200~300쪽 원고에서 세세한 오탈자를 다수 지적했고, Claude는 편집자로서 뛰어난 제안을 했다고 밝혔다.
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 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.
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.
싱크탱크 IFP가 AI 연구개발 자동화 위험에 대비하는 정책안을 7개 범주, 23건으로 정리했다. MIT와 Columbia 연구자들의 논문 「Racing to Ruin」은 기업들이 감속에 합의하려면 기술 개발의 투명성과, 상대를 합리적이고 신뢰할 수 있는 주체로 볼 수 있어야 한다는 것이 핵심이라고 결론지었다. 신뢰가 낮은 균형에서는 파국으로 치닫는 경쟁이 확률 1로 일어난다고 한다.
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(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.
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.
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.
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.
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 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 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.
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 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.
NVIDIA 연구진은 코딩 에이전트가 실세계 로봇의 정책(방책)을 자율적으로 개선하는 구조인 ENPIRE를 개발했다고 밝혔다. 저자들에 따르면 자동 평가와 자동 리셋 기능을 갖춘 이 구조로 PushT, 핀을 상자에 정리하는 작업, 케이블 타이를 커터로 자르는 작업 등 정교한 조작 과제에서 99%의 성공률을 달성했다고 한다. 로봇을 늘리면 MRU가 떨어지고 GPU 가동률은 올라가는 과제도 제시됐다.
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.
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.
Import AI 462는 AI가 텍스트 설득에서 전문가인 사람을 능가했다는 연구, 자기 유지형 AI의 등장 시기를 둘러싼 대담, Google DeepMind의 ASI 논문, Recursive의 자동 AI 연구 성과를 다룬다. 설득력 연구는 4건의 실험에서 6,923명과 나눈 18,978건의 대화를 분석했으며, 기부금 모금에서도 AI가 직업 모금원을 앞섰다고 보고한다.
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 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 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 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.
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 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.
선정 이유: 얼굴 인증 시의 짧은 영상으로 심박을 추정하는 방법을, 피부색의 다양성을 고려한 검증 설계 및 실제 환경에서의 결과와 함께 확인할 수 있다.
미국 버지니아대학교, Anthropic, 캐나다은행의 경제학자들이 발표한 논문은 2025년 미국 AI 경제의 명목 규모가 약 2,500억 달러에 달하며, 품질 조정 후 실질 기준으로는 연평균 약 2,600% 성장하고 있다는 초기 추정치를 제시했다. 미국의 컴퓨팅 지출은 2023년 370억 달러에서 2025년 2,190억 달러로 확대됐지만, 기존 GDP 통계에서는 이 성장이 잘 드러나지 않는다고 한다. 또한 영국 AI Security Institute의 연구자들은 AI가 AI를 감독해 안전성을 확보하는 방식이 언뜻 유망해 보이지만 예상보다 어렵다는 논문을 발표했다.
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.
Mistral은 Emmi AI 인수를 거쳐 항공우주, 자동차, 반도체, 에너지 등을 대상으로 한 산업용 Physics AI 연구를 진행하고 있으며, 관련 연구 성과를 공개했다. 2025년 12월 1일에는 천음속 영역의 3D 날개를 대상으로 한 CFD 시뮬레이션 데이터셋을 공개했으며, 약 30,000개 샘플의 체적장과 표면장을 포함한다고 밝혔다. AB-UPT는 리메시 없이 단일 GPU에서 표면 9M, 체적 140M 셀을 처리한다.
Google은 Gemini로 과학 계산 코드를 작성하고 최적화하는 연구 도구 ERA(Empirical Research Assistance)의 논문을 Nature에 게재했다고 밝혔다. ERA는 유전학, 공중보건, 위성 영상 분석 등의 벤치마크에서 전문가 수준의 성능을 보였다고 한다. ERA와 AlphaEvolve로 구축한 Computational Discovery도 Gemini for Science를 통해 단계적으로 제공이 시작된다.
Google DeepMind의 Co-Scientist는 노화 연구에서 세포를 젊은 상태에 가깝게 만드는 유전자 후보를 찾는 데 활용되고 있다. 수만 건의 문헌을 검토해 참신하면서도 타당한 유전자 인자를 20개 이상 제안했으며, 그중 몇 가지 가설은 실험에서 세포를 젊은 상태로 전환시키고 기능을 개선하는 것으로 확인됐다. 또한 대규모 스크리닝 결과와 문헌을 대조하는 작업은 최장 6개월이 걸리던 것이 며칠로 단축됐다고 한다.
Tilde Research는 Muon 옵티마이저의 업데이트 규칙 때문에 MLP 층의 일부 뉴런이 영구적으로 죽는 문제를 지적하고, 대안으로 「Aurora」를 공개했다. 원문에 따르면 Muon에서는 학습률 워밍업 중 많은 뉴런이 죽었고, 500 스텝 시점에 4분의 1 이상이 사실상 죽은 상태였다. 약 100B 토큰으로 1.1B 파라미터 트랜스포머를 학습한 소규모 실험에서 Aurora의 최종 손실은 2.26으로, Muon(2.31)과 NorMuon(2.33)보다 낮았다.
케임브리지 대학의 Clare Bryant 교수는 Google DeepMind의 Co-Scientist를 활용해, 병원체가 동물에서 사람으로 전파될 때 패혈증 등 중증화를 일으키는 분자 스위치를 탐색하고 있다. Co-Scientist는 연구 지원안의 요약으로부터 가설을 생성해 순위를 매기며, 주고받는 과정을 거듭하면서 후보 단백질에서 실험 대상 아미노산까지 범위를 좁혀 나갔다. 보통 특정까지 2~3년의 실험이 필요하지만, 표적이 맞다면 6개월 안에 완료될 것으로 전망된다고 한다.
