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.
MIT Technology Review의 수석 AI 기자 James O'Donnell이 스탠퍼드대학교 박사과정 학생 Samuel King을 인터뷰했다. 주제는 생성형 AI 모델로 미생물 바이러스의 유전자 설계도를 제안한 연구다. 2025년의 성과는 AI가 만들어낸 생명 그 자체는 아니지만, 다음 단계가 될 수 있다고 평가된다. King은 Innovators Under 35에 선정된 인물이며, 생물학에 대한 새로운 시각도 이야기했다.
Anthropic@AnthropicAIAI 점수5050Anthropic@AnthropicAIAI 점수3333How can the math community forge the best path forward in the AI age? We're committing $15M to workshops and initiatives — plus free AI computing resources for foundation-supported researchers — through new partnerships with @AnthropicAI and @OpenAI: https://bit.ly/4zpfIbW #math #science #AI
TreeOPSD는 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.
RAP는 기계학습 분야 주요 학회에서 2022년부터 2026년까지 발표된 논문과 포스터의 검증된 쌍 25K 이상을 담은, 논문으로부터 포스터를 생성하기 위한 데이터셋 및 벤치마크이다. 각 포스터는 타입이 지정되고 교체 가능한 슬롯을 가진 HTML/CSS로 자동 변환되며, 원본 포스터와의 렌더링 비교를 통해 검증할 수 있다. 학습이 필요 없는 다중 에이전트 기법 PosterRAG는 기존 포스터를 검색하여 레이아웃과 스타일을 바꾸지 않고 슬롯을 채운다. 같은 데이터로 SFT와 RL을 통해 학습한 전용 모델도 함께 제시되었다.
Microsoft AI가 활성 파라미터 80B, 총 2.8T 파라미터 규모의 MoE 기반 모델 MAI-Base-2의 사전학습을 완료했다. 보류 평가에서는 테스트한 모든 오픈 웨이트 모델을 웃돌았으며, DeepSeek-V4-Pro-Base 대비 사전학습 FLOPs 효율은 4~12배다. 16k GB200 GPU로 38일간 학습했으며, 현재 사후학습 중이다. 가중치는 Foundry를 통해 신뢰할 수 있는 파트너에게 라이선스 제공할 방침이다.
OpenAI@OpenAIAI 점수3838How can the math community forge the best path forward in the AI age? We're committing $15M to workshops and initiatives — plus free AI computing resources for foundation-supported researchers — through new partnerships with @AnthropicAI and @OpenAI: https://bit.ly/4zpfIbW #math #science #AI
MRTPO는 다중 보상 강화학습에서 각 보상의 advantage를 해당 검증기가 확인하는 토큰에만 할당하는 기법이다. 보상마다 정책이 자신의 응답을 검증기 정보가 있는 경우와 없는 경우로 다시 생성하고, 다음 토큰 분포의 Jensen-Shannon 거리로 각 토큰의 관련도를 측정한다. 보조 모델이나 토큰 단위 주석은 필요하지 않으며, text-to-SQL, 복수 제약 지시 따르기, 도구 호출에서 기존 기법보다 빠르게 수렴하고 높은 성능을 보였다.
SSR은 멀티모달 검색 에이전트의 추론을 사전에 정의된 재사용 가능한 후보 중에서 선택하는 방식으로 바꿔, 턴당 추론 지연 시간을 90% 이상 줄인다고 밝혔다. 질문별 전체 추론 지연 시간은 28~54% 감소했으며, 2B와 4B 모델로 진행한 7개 멀티모달 검색 벤치마크에서 같은 규모의 주요 검색 에이전트에 필적하는 평균 성공률을 보였다. 강화학습과 지도 파인튜닝 모두에서 과제 성능을 떨어뜨리지 않으면서 효율을 높였다.
도구 사용형 LLM 에이전트에서 LLM이 먼저 계획을 세우는 Plan-then-Retrieve(PtR) 방식은, 여러 도구가 필요한 질의에서는 Retrieve-then-Plan(RtP) 방식을 웃돌았고, 단일 도구 질의에서는 뒤처지는 것으로 나타났다. ToolBench(46,984개 API 엔드포인트)에서의 평가에서도 이 경향은 검색 건수 k=1~20과 1,000~47,000개 규모의 레지스트리 전반에서 일관되게 나타났다. PtR은 추론 비용이 약 2배 들기 때문에, RtP의 상위 1건 검색 점수를 활용해 질의 복잡도에 따라 방식을 바꾸는 적응형 라우팅이 실용적인 방향으로 제시되었다.
팀네이버의 연구 논문 24편이 자연어처리 분야 최정상 학회 EMNLP 2026에 채택됐다. 학회는 10월 24일부터 29일까지 헝가리 부다페스트에서 열리며, 팀네이버는 이 자리에서 주요 논문을 발표할 예정이다. 채택 논문에는 한국어 추론 데이터 합성, 장시간 영상 구간 탐색 벤치마크, LLM 추론 과정 해석 연구 등이 포함됐다.
VLA-Δ는 현재와 미래 관측 사이의 물리적 상태 전이를 명시적인 학습 목표로 삼아 로봇 제어를 개선하는 범용 프레임워크다. LIBERO와 RoboTwin 벤치마크에서 최첨단 기법에 필적하는 성능을 보였으며, 실기 실험에서는 π0.5를 웃돌았다. 추론 시에는 현재 관측으로부터 행동을 직접 생성하며, 추가적인 추론 비용은 발생하지 않는다고 한다.
통합 멀티모달 모델은 생성 학습에서 이미지만으로 주어진 새로운 사실을 텍스트 질의응답에서 일부만 활용할 수 있는 것으로 Knowledge Transfer Probing(KTP) 검증을 통해 드러났다. 3개 모델과 7개 지식 범주를 조사한 결과, 모델은 생성 이미지 안에서는 사실을 재현할 수 있었지만 언어로 표현하는 데는 서툴렀다. 인터리브형 이미지·텍스트 정렬은 QA 교사 데이터가 없는 엔터티를 포함해 평균 QA 정확도를 높였으며, 텍스트만의 정렬을 웃돌았다.
OmniVerifier-C1은 복잡한 멀티모달 규칙을 세부 요소로 나누어 점수를 매기는 생성형 시각 검증기다. 이진 판정보다 연속적인 비평 신호를 얻을 수 있으며, 텍스트-이미지 생성에서 이진 검증기를 크게 웃도는 성능을 보였다고 보고됐다. 또한 정답 이미지가 있는 경우에는 점 단위 검증보다 쌍별(pairwise) 검증이 더 정확한 비평을 제공한다고 밝혔으며, Maze, Sudoku 등 구조화된 세계 모델링 과제에서 효과를 입증했다고 전했다.
Alibaba 팀은 범용 컴퓨터 조작 에이전트(GCUA)의 풀스택을 공개하는 프로젝트 OpenGCUA의 첫 릴리스를 발표했다. OSWorld-v2에서는 GPT-6 Astra, Claude Opus 5, Gemini 3.8 Flash를 포함한 8개 모델이 평균 +19.6포인트 향상되었고, 단계 수는 53% 줄었다고 밝혔다. 기술 보고서, 평가 궤적, macOS용 harness, Cross-Device SDK, 온라인 인터랙티브 랩도 포함된다.
Lexical reference frames는 언어 모델의 은닉 상태를 모델 자신의 나머지 층을 통해 읽어내어 귀속, 스티어링, 조기 종료를 가능하게 하는 기법이다. 중간 층에서 고정 방향 lens는 일관성의 제곱근(SmolLM3-3B에서 0.30, OLMo3-7B에서 0.35)을 넘지 못하는 반면, LexFrame [1]은 두 모델 모두에서 0.97에 도달하며 모델 출력과의 차이는 0.16 nats 이내에 머문다. 조기 종료에서는 LexFrame이 층의 0.45와 0.42를 생략할 수 있는 반면, lens는 거의 생략하지 못한다.
PremiseCheck는 사람 또는 AI가 작성한 논문 심사 코멘트를 명시적인 전제로 분해하고, 결정 모델로 논문과 대조해 사실 오류를 검증하는 방법이다. 각 코멘트를 단독으로 검증했을 때 3개 분야 모두에서 GPT-5.5에 필적하는 정확도를 약 절반의 비용으로 달성했다. NLP 분야의 심사에서는 비용이 4분의 1, 지연 시간은 절반 미만이 되었다.
논문은 Sparse Autoencoder(SAE)에서 프롬프트 바꿔쓰기로 생기는 재현 가능한 특징 변화를 식별하는 지표 「redistribution sensitivity score(RSS)」를 제안했다고 밝혔다. 사전 학습된 SAE 27개를 8개 언어 모델에 걸쳐 평가했으며, 선택에 사용하지 않은 변형에서도 재현 가능한 재분배 경향이 확인됐다고 밝혔다.
MLExpert는 계층적 에이전트형 SFT와 Windowed Interaction RL(WIRL)을 결합한 사후 학습으로, 장기간에 걸친 머신러닝 엔지니어링(MLE) 최적화를 자율적으로 수행하도록 훈련된 35B Mixture-of-Experts 에이전트 모델이다.
GPT-6-Astra는 12개 벤치마크에서 in-context learning(ICL)을 활용해 높은 성능을 보였으나, 실기 배포에서는 데모 수집 비용, 실행 시간, 실용적인 체화 지능 측면의 과제가 남아 있다는 보고서다. 고수준 추론을 담당하는 'System 2'로 GPT-6-Astra를, 저수준 제어를 담당하는 'System 1'로 π0.5를 결합한 클로즈드 루프 구성은 비용은 높지만 효과적인 것으로 평가된다. 보고서는 체화 능력의 임계값은 대체로 넘어섰으나, 실용적인 체화 지능의 임계값에는 아직 도달하지 못했다고 결론지었다.
연구팀은 Sparse Autoencoder(SAE)의 개별 특징과 저차 상호작용으로는 설명되지 않는 행동상의 변동을 측정하는 SAE Additivity Residuals(SAR)를 제안했다. 18개의 모델과 행동 설정에서, 학습된 SAE의 좌표는 무작위 회전보다 행동적으로 가법적이지만 중요한 상호작용은 남아 있는 것으로 나타났다. 쌍별 상호작용을 모델링하자 보류 데이터에서의 coalition rank fidelity는 0.9782에서 0.9959로, steering 실험에서는 0.5874에서 0.7790으로 향상됐다.
OneWM은 행동 예측과 미래 프레임 생성을 통합적인 인과 학습으로 다루는 모델로, 실제 로봇이 블록 쌓기, 수납, 아침 식사 준비를 수행하는 데모를 공개했다. 상상 속 롤아웃(Endless Dream)에서는 행동 예측과 미래 프레임 생성을 번갈아 수행하며, 자신의 예측을 이용해 전개를 이어 간다. 초기 관측 이후의 프레임은 모델이 생성한 것이며, 예측된 행동은 시뮬레이터에서 실행되지 않았다.
Waypoint-OPD는 같은 RL 실행에서 초기와 후기 교사 정책의 변화 방향이 일치하는지에 따라 엔드포인트 정책 변화를 게이팅하고, 방향이 반대일 경우 이를 억제하는 증류 기법이다. 추가 비용은 고정된 교사로 채점하는 1회의 패스뿐이다. Qwen3-4B 교사에서 Qwen3-8B, Qwen3-14B, Qwen3-30B-A3B 학생으로 수학과 코드 추론을 전이한 6개 설정 모두에서, 비교한 증류 기법 가운데 영역 평균 점수가 가장 높았다. Qwen3-8B 학생에 대한 절제 실험에서는 게이트를 제거하거나 섞었을 때 수학 추론 성능이 떨어졌다.
ACT3D는 단일 1인칭 시점 이미지에서 3D 환경을 능동적으로 탐색하도록 강화학습으로 훈련된 시각언어모델(VLM)이다. 6개 3D 벤치마크의 평균 정확도 53.2%를 달성해 기반 모델인 Qwen을 22.0%p 웃돌았고, 독점 모델인 Gemini 3.6 Flash도 넘어섰다. 기존 오픈소스 3D 기법보다 입력 프레임을 50~70% 적게 쓰면서도 더 높은 성능을 보였다. 학습 데이터에 없던 도메인에서도 지도학습으로 초기화한 모델보다 평균 5.9%p 개선됐다. 기반 모델 대비 개선 폭은 초기 시점만으로 답할 수 있는 질문에서는 0.6%였지만, 넓은 범위의 탐색이 필요한 질문에서는 16.3%로 커졌다.
AI 에이전트는 물리 연구에서 국소적인 과학적 성과를 내지만 연구 과제를 완전히 해결하는 단계에는 이르지 못한다는 점을 전문가가 검증한 50개 과제 벤치마크 「PhysClosureBench」가 보여줬다고 밝혔다. 평균 Atomic Score가 가장 높았던 Claude-Opus-5는 6.29/10을 기록했으나, RC4에 도달한 시행은 전체의 32.7%에 그쳤다. Atomic Score가 8/10 이상인 시행에서도 36.2%는 RC4에 도달하지 못해, 국소적 성과와 연구 완결 사이에 지속적인 격차가 있음이 드러났다.
Data World는 명시적 메커니즘으로부터 환경·태스크·채점 기준을 합성하는 멀티 에이전트 엔진이며, 이를 이용해 Qwen3.6-35B-A3B로부터 DataWorld-35B-A3B를 궤적 증류 없이 RL-zero 학습으로 만들었다.
FDE-Gym은 요구사항이 모호하고 제시되지 않은 제약을 찾아내야 하는 고객사 도입 과제에서 AI 에이전트를 평가하는 벤치마크다. 18개 업종, 20개 고객 시나리오에서 수집한 95건의 엔드투엔드 과제를 담고 있으며, 7개 회사의 13가지 구성을 평가했다. 그 결과 가장 좋은 구성에서도 평균 점수는 0.56에 그쳤고, 95건 중 14건만 해결(점수 0.8 이상이면서 사고 없음)했다. 제시되지 않은 제약의 발견이 주된 병목으로 나타났으며, 필요한 정보를 모두 얻은 23건에서도 0.8 이상에 도달한 것은 10건뿐이었다.
SSI는 모델 점수를 공간 셀과 채널별 부호 있는 기여도로 설명하며, 셀의 기여도를 Shapley 값으로 각 채널에 배분하는 기법이다. 세 개의 데이터셋과 두 가지 마스킹 기준 모두에서 세 지표의 보고된 평균이 가장 좋았다. 예를 들어 평균 기준의 HLS joint deletion에서 SSI는 .1545, 비-SSI 기법 가운데 가장 강한 KernelSHAP은 .2096을 기록했다.
MJev-Spatial은 공간 추론 과제를 단일 패스 분류 프레임워크로 통합한 멀티모달 판단 모델로, Qwen3.5-4B를 기반으로 학습되었다. 테스트한 8개 모델 가운데 종합 점수 65.64%를 달성했으며, 12개 벤치마크 중 7개에서 1위를 차지했다. 수정하지 않은 자기회귀 베이스 모델은 12개 전부에서 뒤처졌고, 가장 빠른 자기회귀 베이스라인보다 2.5배, 베이스 모델보다 5.6배 빠르게 동작한다.
SpecAgent는 소형 Weak 모델이 행동 궤적을 초안으로 작성하면, 대형 Strong 모델이 한 번의 prefill 패스로 해당 구간을 검토해 Strong 모델의 디코딩 대부분을 prefill로 대체하는 도구 사용 에이전트용 기법이다.
Mosaic는 여러 세션에 걸치는 에이전트형 강화학습 기법으로, BrowseComp에서 컨텍스트 압축과 하위 에이전트 분기 두 측면 모두에서 브로드캐스트 베이스라인을 넘어섰다. ReAct 스타일 에이전트 루프에서 Qwen3.5-4B를 사용했으며, REDSearcher의 심층 검색 과제 1,000건으로 학습했다. 평균 세션 수도 적다.