OpenAI는 미공개 내부 모델이 생성한 수학 논문 722편을 GitHub에 공개했다. 약 4,000개의 연구 문제를 평가 대상으로 삼았으며, 결과 하나당 평균 약 3시간의 ChatGPT Pro 상당 추론 연산을 사용했다고 밝혔다. 같은 날 Mistral Large 4의 API 제공 개시와 EmbeddingGemma 2 공개도 있었다.
Barnette 예상이 openai/math 저장소의 문제 180으로 증명된 것으로 알려졌다. Jake Boggan 씨는 Hacker News 댓글에서 이 점을 언급하며, 이 예상에 약 24년에 걸쳐 간헐적으로 매달려 수천 시간을 쏟았다고 밝혔다. 문제가 해결됐다는 소식을 듣고는 복잡한 심정이 들었다고 말했다.
LiveMACEBench는 실시간 금융 시장에서 지속형 LLM 에이전트를 평가하는, 의사결정 트레이스를 활용한 과정 중심 벤치마크다. 5개 프런티어 LLM을 30일간 평가한 결과, 실현 수익이 능력별 측정치와 어긋나는 '성과와 능력의 격차'가 나타났다. 의사결정 트레이스에 기반한 진단에서는 능력마다 서로 다른 병목이 드러났다.
Google Research는 Google Earth AI의 인구동태 기반 모델(PDFM)이 생성하는 장소 임베딩 표현을 다섯 가지 공중보건 과제로 평가했다. PDFM은 검색 동향, 사람의 이동, 건물 밀도, 기상·대기질 등을 통합한 임베딩으로, 과제별 미세조정 없이도 기존 입력과 같거나 그 이상의 결과를 보였다. 미국·캐나다 국경의 146개 카운티에서는 MMR 백신 접종의 설명 분산이 상대적으로 36% 향상됐고, 콜레라 발생 예측에서는 4주 앞의 AUPRC가 9.7% 개선됐다.
OpenAI는 사내 프런티어 모델을 활용한 수학 미해결 문제의 새로운 성과를 공표했다. Lean을 이용한 증명의 형식화와 연구의 세부 내용은 GitHub에서 공유하고 있다.
Google Research는 50명 이상의 학계·산업계 전문가와 함께 정리한 워크숍 보고서 「Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle」을 공개했다.
GitHub가 AI 코드 리뷰를 위한 오프라인 벤치마크 「ReviewBench」를 공개했으며, 현재 이용할 수 있다. GitHub의 PR 1억 3,900만 건(103.9M)의 분포를 바탕으로 19개 언어, 공개 PR 219건으로 구성되며, 사람 리뷰어, 프론티어 LLM, 정적 분석으로 만든 골든 세트를 사용한다. 시니어 엔지니어가 독립적으로 검증한 결과 96.6%의 일치율을 보였으며, Copilot code review의 오프라인 평가 역시 실제 운영 실험의 방향을 더 쉽게 예측할 수 있게 되었다.
경영진 300명을 대상으로 한 조사에 따르면, 에이전트형 AI 프로젝트 가운데 실제 운영 단계까지 가는 비율은 평균 34%에 그쳤으며, 지식과 컨텍스트의 부족이 주요 원인 중 하나로 꼽힌다. 실운영을 먼저 추진하고 있는 선도 조직에서는 파일럿 단계를 넘어 진행되는 프로젝트가 평균 61%였고, 특히 의미 기반(시맨틱) 지식이 강한 것으로 나타났다. 데이터 파편화를 과제로 꼽은 응답은 55%였으며, 투자 우선순위로는 RAG와 지식 그래프 등이 앞섰다.
Import AI 475는 Toby Ord의 스웜 확장 분석, Google DeepMind의 SynthID Bio, CSAIP 여론조사 등을 다루고 있다. Ord의 분석에 따르면 4개 에이전트로 이루어진 스웜은 같은 성능을 내기 위해 총 토큰 수가 약 2배 필요하지만, 에이전트 1개당으로는 절반이면 된다. 또한 병렬 실행을 하면 이론상 시간은 절반으로 처리할 수 있다. SynthID Bio는 3종류의 단백질 실험에서 워터마크를 넣지 않은 설계와 동등한 성적을 보였다고 한다.
MemPilot은 강화학습을 통해 질의에 따라 멀티모달 에이전트 메모리의 정리 방식을 동적으로 선택하는 프레임워크다. 질의와 무관한 메모리 검색과 원시 멀티모달 이력의 정리를 LLM·VLM에 위임하는 처리를 전환하며, 성능, 비용, 지연 시간 사이의 트레이드오프를 조정한다. 5개의 멀티모달 에이전트 메모리 벤치마크에서 평가되었으며, 선호도를 바꿨을 때 트레이드오프 프런티어가 기존의 트레이드오프 고려형 베이스라인보다 넓은 것으로 나타났다.
Google은 Trusted Execution Environments(TEE)를 활용한 차세대 연합학습(FL) 시스템을 발표했다. 데이터 익명화의 보장을 제3자가 검증·감사할 수 있는 형태로 제공한다. Gboard는 이미 새 시스템을 채택했으며, 기존 FL 시스템에 비해 계산 시간이 크게 단축되었다고 한다. 각 기기가 사전에 승인하는 접근 정책은 Rekor라는 공개 투명성 로그에 게재되어 외부 감사자가 추적할 수 있다.
ServiceNow CoreAI가 엔터프라이즈용 AI 에이전트의 학습 데이터를 생성하는 「AutoSynthData」를 개발했다고 밝혔다. 대상 모델의 실패와 더 강력한 교사 모델의 성공 사례를 바탕으로 다음에 학습해야 할 능력을 찾아내며, 실행 가능하고 현실적이면서도 아직 안정적으로 풀지 못하는 과제를 생성하고 검증한다. EnterpriseOps Gym을 활용한 예시가 제시되어 있으며, 공개된 데이터셋도 함께 사용됐다.
Anthropic@AnthropicAIAI 점수4242Google DeepMind는 단백질의 생물학적 기능을 유지한 채 서명을 삽입할 수 있는 워터마크 기술 'SynthID Bio'를 발표했다. 표적 단백질 3종을 사용한 습식 실험에서 워터마크가 삽입된 단백질 결합 분자는 워터마크가 없는 버전과 동등한 적중률, 결합 친화도, 서열 다양성을 보였다. AlphaFold 3에서는 모델 가중치에 워터마크를 넣어 예측 정확도를 유지하면서 탐지 가능성을 높였다고 밝혔다.
Diffusion Controller는 이미지 생성의 확산 과정을 연속적인 제어 문제로 재정의하고, 추론 시의 가이던스와 파인튜닝을 하나의 프레임워크로 다루는 기법이다. 베이스 모델을 고정한 채 경량 애드온 네트워크를 추가하는 방식으로, Stable Diffusion v1.4를 기반으로 한 실험에서는 인간의 선호 적합도를 나타내는 HPS-v2에서 업계 표준을 웃도는 결과를 기록했다고 보고되었다. 가중치에 전면적으로 접근할 수 있는 완전판은 베이스라인 모델 대비 90%의 승률을 달성했다.
Hugging Face는 MCP 에이전트의 답변을 출처 단위로 검증하는 후처리 레이어 ProvenanceGuard를 제안했다. 근거 전체로는 뒷받침되지만 답변이 지목한 출처가 아닌 다른 출처에만 존재하는 주장, 이른바 출처 오인을 탐지한다. 의료 에이전트의 281건 트레이스로 평가한 결과, 전문가가 통과시키면 안 된다고 본 139건 중 138건을 탐지했으며, 뒷받침된다고 판단된 67건은 재확인이나 수정 대상으로 넘겼다.
Google Research는 Gemini와 Veo 위에 구축한 멀티 에이전트형 AI 비디오 공동 감독 프레임워크를 발표했다. 여러 컷에 걸친 시각적 일관성을 계획하고, 캐릭터와 환경의 어긋남을 억제하면서 수 분 규모의 영상 생성을 목표로 한다. 창작 방향을 선택하는 데는 멀티 암드 밴딧을 사용하며, Pre-Production, Production, MLLM Judge의 각 에이전트가 제작을 진행한다. SynthID 워터마크 등 안전 장치도 그대로 이어받는다고 밝혔다.
영국 AI Security Institute(AISI)가 EvalEval의 공개 기반인 「Evaluation Cards」를 활용해 평가 결과 공개를 시작했다.
Google Research가 중거리 물류(middle-mile logistics) 문제를 위한 현실적인 벤치마크를 만드는 C++ 기반 인스턴스 생성 도구 「MilleMiglia」를 발표했다. 물류 기업들이 네트워크 구성과 수요량을 기밀로 취급해 왔기 때문에 공개 데이터가 부족했으나, 이 도구는 프라이버시를 고려한 데이터를 생성할 수 있다. 소스 코드와 문서는 GitHub에서 공개되어 있다.
Google Research는 교사가 수업 내용에 맞춰 인터랙티브 학습 시뮬레이션을 만들 수 있는 연구 실험을 공개했다. generative UI를 응용해 교사가 승인한 학습 목표와 커리큘럼에 따라 동적으로 생성된다. 중고등학교용 STEM(물리, 화학, 생물, 수학) 영어 교재 샘플 30점 이상도 함께 공개됐으며, 모두 AI가 생성하고 교사가 검토한 것이다.
Google Research는 오프라인 강화학습으로 검색 쿼리 팬아웃(분해)을 학습하고 이를 경량 확산 리트리버로 증류하는 「Retrieve-for-Train」을 발표했다. 추론 시에는 사고 토큰을 사용하지 않고 한 번의 패스로 관련 쿼리 집합을 생성할 수 있다. 확산 리트리버는 53.9M 파라미터이며, Gemma3-4B와 Qwen3-4B를 집합 단위 보상으로 학습했다.
IBM Research는 ALTK-Evolve에 일관성 가이드라인과 Consistency Analyzer를 추가해 AppWorld에서 Pass^5를 53.0%에서 69.0%로 개선했다고 밝혔다. GPT-4.1을 사용한 ReAct의 Mean@5는 77.4%였지만, 다섯 번 모두 성공한 과제는 53.0%에 그쳐 24.4%포인트의 일관성 격차가 있었다. 가이드라인을 적용하자 격차는 12.0%포인트로 절반으로 줄었고, Mean@5도 81.0%로 올랐다.
Google은 AI를 과학의 가속과 생활 개선에 활용하는 노력을 이어가고 있으며, 최근 몇 주 사이 AlphaGenome Atlas, WeatherNext 3 등의 성과를 잇따라 발표했다. AlphaGenome Atlas는 인간 게놈에서 90억 가지 단일 염기 변화가 미치는 예측 영향을 지도로 만들어 연구자들에게 공개했다. WeatherNext 3는 하루 이상 앞선 강수 예보의 정확도를 50% 향상시켰으며, 이미 회사의 제품에 사용되고 있다.
Google은 AI & Economy ATLAS 데이터를 탐색할 수 있는, 누구나 이용 가능한 인터랙티브 시각화 도구를 공개했다. Google DeepMind와 MIT FutureTech의 연구에서는 조사 대상 과학자의 약 절반이 매일 어떤 형태로든 AI를 사용하고 있으며, AI로 인해 주당 7시간 가까이 시간을 절약하고 있다고 보고됐다. 반면 AI 출력물을 검증하는 데 많은 시간이 쓰이고 있으며, 검증되지 않은 가설도 늘고 있다고 한다.
Google Research가 도구 사용 체인을 먼저 생성한 뒤 사용자 쿼리를 붙이는 answer-first 방식의 데이터 생성 기법 ToolGrad를 제안했다. ToolGrad-500으로 미세 조정한 Gemma-3 12B 모델(ToolGrad-12B)은 BFCL에서 83.1점을 기록해 gemini-2.5-pro(83.2)에 근접했으며, claude-4.5 Opus(82.8)와 gpt-5(74.4)를 앞섰다. 데이터 생성에는 gemini-2.5-flash-lite를 사용했으며, 거의 100%에 가까운 통과율을 보였다고 밝혔다.
Google DeepMind는 인간 게놈에서 발생할 수 있는 약 90억 개의 단일염기 변이가 분자 수준에서 미칠 영향을 예측한 결과를 정리한 AlphaGenome Atlas를 공개했다. AlphaGenome과 AlphaMissense의 예측을 하나의 수치로 묶은 AVI 점수도 함께 제공한다. 학술 연구 목적이라면 웹 포털에서 무료로 이용할 수 있으며, AlphaGenome API와 Google Antigravity의 스킬로도 사용할 수 있다.
UK Biobank의 유럽계 데이터를 활용해 Biobank Japan의 일본인 집단을 위한 PRS를 학습시키는 방법을 8개 임상 형질에 걸쳐 비교했다. 대상 집단의 표본 수가 1만 5000건 이상이면 대상 집단 전용 모델이 더 우수했고, 5000건처럼 극히 적은 경우에는 유럽계 데이터를 함께 사용하는 것이 효과적이었다. 유전적 상관이 높은 형질일수록 유럽계 데이터의 이점이 더 큰 표본 수까지 유지되었으며, 지질(HDL, LDL)과 혈당 수치에서는 그 이점이 작았다.
Google Research와 HHMI Janelia 등은 수컷 초파리의 뇌와 중추신경계의 완전한 배선도를 공개했다. 166,000개가 넘는 뉴런과 1억 2,500만 개의 시냅스 연결을 담고 있으며, 뉴런 수 기준으로 지금까지 가장 큰 뇌 지도이다. 논문은 Cell에 게재됐고, 데이터는 Neuroglancer에서 열람 및 다운로드할 수 있다.
선정 이유: AI 기반 재구성과 사람의 검증을 결합한 뇌 지도 제작의 발전 과정이 초파리에서 어류로 확대되는 흐름 속에서 정리돼 있다.
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.
LFM2.5-350M을 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.
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.
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.
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.
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 Transformers v6.0에 새로 추가된 모델 타입 MultiVectorEncoder를 사용해 ColBERT 방식의 레이트 인터랙션 검색용 멀티벡터 모델을 파인튜닝하는 절차가 소개된다.
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 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.
METR의 조사에 따르면 AI에 의한 과학기술 가속은 분야별로 편차가 있다. 사이버 취약점에서는 큰 폭의 가속이 나타나고, 수학에서는 소폭의 가속, AI 연구에서는 측정 가능한 가속이 보이지 않는다. 여러 대학의 연구자들이 개발한 SPADE는 환경 설계자 역할과 추론 에이전트 역할을 대규모 언어 모델(LLM)이 번갈아 맡는 자기 대결 프레임워크다. Qwen3-30B-A3B에서는 게임 환경 스위트 평균이 58.3이 되어 베이스라인보다 8.1포인트 높았다.
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.
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.