읽을 가치가 있는 기사만, 짧고 또렷하게.

버틀리안 성전은 SF 소설 시리즈인 '듄'의 핵심적인 역사적 사건을 다루는 주제입니다. 이 사건은 우주 내에서 발생한 종교적이고 군사적인 대전으로, 인류 문명에 지대한 영향을 미친 중대한 전환점이 됩니다.

버틀리안 성전은 인류가 생존을 위해 스스로를 파괴적인 행위로 몰아넣은 사건을 의미하며, 이는 특정 종교적 신념과 군사적 필요성이 결합하여 발생한 대규모 전쟁입니다. 이 전쟁의 결과로 인류는 극심한 변화를 겪었으며, 이는 이후의 우주 문명 발전과 사회 구조에 근본적인 영향을 미쳤습니다.

이 사건은 단순한 전쟁 기록을 넘어, 기술과 종교, 그리고 사회적 구조가 어떻게 상호작용하며 문명을 형성하는지에 대한 깊은 질문을 던집니다. 버틀리안 성전은 이후의 우주 사회가 어떻게 형성되었는지 이해하는 데 중요한 맥락을 제공합니다.

따라서 이 주제를 읽는 것은 단순한 스토리텔링을 넘어, 극한 상황에서의 도덕적 선택과 그 결과가 문명에 미치는 장기적인 영향을 탐구하는 데 의미가 있습니다.

NIST 타원곡선의 시드 생성 방식에 대한 수수께끼가 풀리면서 관련 연구팀에게 현상금이 지급되었습니다. 이 발견은 타원곡선 암호 시스템의 시드가 일반적인 영어 문장의 해시가 아니라, 1997년에서 1998년 사이의 UNIX 타임스탬프로 초기화된 drand48 난수 생성기의 출력에서 비롯되었음을 밝혀냈습니다.

이는 암호학적 무작위성(randomness)의 근원에 대한 중요한 통찰을 제공합니다. 개발자들이 시스템이나 애플리케이션에서 사용하는 난수 생성기의 출처와 초기화 방식이 실제 보안에 미치는 영향을 이해하는 데 중요한 맥락을 제공합니다.

Anthropic 연구팀이 이러한 생성 방식을 공개함으로써 현상금 전액을 수령했으며, 상금은 Let’s Encrypt를 운영하는 비영리단체인 ISRG에게 지급되었습니다. 이 사례는 암호학적 시드 생성 과정의 투명성과 재현성에 대한 중요성을 강조하며, 난수 생성기의 출처를 명확히 아는 것이 시스템 보안 설계에 얼마나 중요한지를 보여줍니다.

선형 계층, MLP, 셀프 어텐션과 같은 딥러닝 구조가 연상 메모리 원리에서 출발할 수 있다는 주장이 제기되었습니다. 이는 이러한 구조들이 키와 값의 쌍을 저장하고 유사도를 검색하는 연상 메모리로 해석될 수 있다는 관점입니다.

이러한 연상 메모리 개념을 활용하면 회상 과정에서 발생하는 간섭을 줄이는 방식으로 각 구조를 유도할 수 있다는 것입니다. 즉, 메모리 저장 방식이 정보 처리 구조를 설계하는 데 중요한 역할을 할 수 있음을 시사합니다.

특히 메모리 용량에 대한 논의는 다른 기억의 간섭이 목표 신호만큼 커지기 전까지 정보를 저장할 수 있는 기억의 개념과 연결됩니다. 이는 딥러닝 모델이 효율적으로 정보를 인코딩하고 처리하는 방식에 대한 새로운 접근법을 제시합니다.

NVIDIA는 여러 팀이 공유하는 GPU 인프라에서 AI 개발, 학습, 추론 작업을 배치하고 자원을 배분할 수 있도록 관리하는 오픈소스 플랫폼인 Run:ai를 공개했습니다. 이 플랫폼은 GPU 하나를 여러 작업에 나누어 할당하고 남는 자원을 동적으로 활용하여 유휴 GPU를 최소화하는 방식으로 작동합니다.

Run:ai는 복잡한 AI 워크로드 환경에서 자원 공유의 효율성을 극대화하는 데 중점을 둡니다. 이를 통해 각 팀은 작업의 우선순위에 따라 공정하게 자원을 배분받고, 전체 GPU 인프라의 활용도를 높여 자원 회수율을 개선할 수 있습니다.

이 플랫폼은 특히 GPU 자원의 효율적인 관리와 공정한 배분을 목표로 하며, 여러 팀이 협업하는 환경에서 AI 개발 및 운영의 병목 현상을 해소하는 데 기여합니다. 개발자들은 이 플랫폼을 통해 GPU 자원을 보다 효율적으로 관리하고 AI 작업의 배포 및 실행을 최적화할 수 있습니다.

1966년에 발표된 이 논문은 강하게 점성이 있는 액체 내에서 소리의 전파에 관한 연구를 다루고 있습니다. 이 연구는 유체 역학과 음파 전달이라는 물리적 현상을 다루며, 점성이 높은 매질에서의 파동 거동을 분석하는 데 중점을 둡니다.

해당 논문은 물리학 분야의 고전적인 연구로, 물질의 특성이 파동 전달에 미치는 영향을 탐구하는 데 중요한 기초를 제공합니다. 특히 점성이 강한 액체 환경에서 소리가 어떻게 전파되는지에 대한 이론적 모델을 제시하고 있습니다.

개발이나 시뮬레이션 분야에서 유체 역학이나 파동 현상을 다루는 모델을 구축할 때, 이러한 고전적인 물리적 원리는 시스템의 복잡한 거동을 이해하는 데 중요한 배경 지식이 될 수 있습니다. 따라서 이 논문은 재료 과학이나 유체 동역학 관련 이론적 배경을 이해하는 데 참고할 만합니다.

공개 키를 사용하여 상대방을 지정하고 인증 및 암호화된 연결을 생성하는 Rust 라이브러리 iroh가 4년간의 개발 끝에 버전 1.0을 출시했습니다. 이 라이브러리는 여러 차례 방향을 수정하며 핵심 연결 기능에 집중하여 보안성과 성능을 갖춘 연결 구현을 목표로 했습니다.

iroh는 처음에는 모바일 기기를 위한 IPFS 구현을 목표로 개발이 시작되었으나, 실제로는 Delta Chat과 같은 애플리케이션에서 채팅 기록을 전송하는 것과 같은 실제 사용 사례에 초점을 맞추어 발전했습니다. 이는 복잡한 IPFS 환경에서 안전하고 효율적인 데이터 전송을 위한 기반을 제공한다는 점에서 의미가 있습니다.

이 라이브러리는 공개 키 기반 연결을 통해 인증과 암호화를 보장하며, 개발자들이 복잡한 네트워크 통신 프로토콜을 직접 구현할 필요 없이 안전한 연결을 구축할 수 있도록 돕습니다. 개발자들은 iroh를 통해 IPFS 구현과 같은 고급 네트워크 기능을 보다 안전하고 효율적으로 처리할 수 있게 되었습니다.

테슬라 로드스터의 실제 모습을 보고 충격을 받은 후, 이를 직접 구현해보고 싶다는 생각으로 개발 프로젝트를 시작했습니다. 이 글은 실제로 12시간 만에 일명 테슬라 로드스터 시뮬레이터를 제작한 경험을 공유합니다.

작성자는 의자에 앉아 약 12시간 동안 테슬라 로드스터와 같은 구조물을 시뮬레이션하는 프로젝트를 진행했습니다. 이는 실제 차량의 구조를 디지털 환경에서 구현하는 과정에 초점을 맞추고 있습니다.

이러한 시뮬레이션은 복잡한 구조물을 모델링하고 구현하는 데 있어 개발자가 어떤 접근 방식을 취할 수 있는지에 대한 흥미로운 사례를 제공합니다. 실제 물리적 구조를 가상 환경으로 옮기는 과정에서 발생하는 기술적 도전과 해결 방안에 대한 논의가 가능합니다.

리누스 토발즈(Linus Torvalds)가 리눅스 커널 기여에서 특정 작업에 인공지능(AI) 사용을 금지하는 규칙을 만들지 않겠다고 밝혀 논란을 빚고 있습니다. 이는 기여자의 역량을 도구 사용 여부로 판단하는 접근 방식에 대해 강하게 반발하는 입장입니다.

토발즈는 기여자들에게 도구 사용 여부보다는 최선을 다하고 자신이 하는 일을 깊이 이해하는 것을 기대한다고 강조했습니다. 그는 AI와 같은 도구 사용이 기여 과정에 미치는 영향을 고려하여 기여자의 실질적인 역량을 평가해야 한다고 주장합니다.

이러한 발언은 커뮤니티 내에서 기여 방식과 도구 사용에 대한 가이드라인을 설정하는 문제에 대한 중요한 논의를 촉발했습니다. 앞으로 리눅스 커널 기여 환경에서 AI 도구 사용에 대한 규칙이 어떻게 설정될지에 대한 논의가 이어질 것으로 보입니다.

범용 인공지능 모델과 에이전트 시스템의 발전으로 CAD 작업을 수행할 수 있게 되었으나, 그 결과물의 엔지니어링 요구 사항 충족 여부에 대한 체계적인 평가가 필요하다는 연구 결과가 발표되었습니다. 본 논문은 최신 범용 AI 모델인 GPT-6 Astra를 대상으로 모델 이해, 생성, 편집, 평가라는 네 가지 기본적인 CAD 작업에 대한 실증 연구를 진행했습니다.

연구 결과에 따르면 GPT-6 Astra는 비자명한 기하학적 복잡성을 포함하는 사례에서 여러 단계의 CAD 워크플로우를 지원하며 성공적인 결과를 보였습니다. 이는 범용 AI가 CAD 작업의 거의 모든 단계에서 실질적인 가치를 제공하기 시작했음을 시사합니다. 하지만 시각적으로 그럴듯한 형상을 생성하는 것과 유효하고 기능적이며 편집 가능한 CAD 모델을 생산하는 것 사이에는 여전히 간극이 존재합니다.

특히, 자유형 기하학, 파라미터 의존성, 부품 간의 결합 관계에서 반복적으로 발생하는 오류들은 엔지니어링적 유용성을 제한합니다. 에이전트 반복 개선(agentic iterative refinement)이 결과를 향상시킬 수는 있으나 중요한 오류를 일관되게 해결하지 못하며, 긴 완료 시간은 실제 사용을 더욱 제약합니다.

구조화된 지식 검색은 다운스트림 작업을 위해 구조화된 지식 소스에서 관련 증거를 확보하는 것을 목표로 합니다. 기존 방법들은 제약 없는 검색이나 저자-논문 규칙 같은 사전 정의된 질의-규칙 감독에 의존하지만, 이러한 감독은 실제 환경에서 거의 사용되지 않습니다. 이에 본 연구는 사전 정의된 질의-규칙 쌍 없이 각 질의에 할당할 추론 규칙과 해당 규칙에 따른 증거 검색 방법을 공동으로 학습하는 Co-Adaptive Rule Routing and Constraining Retrieval(CoRE)을 제안합니다.

CoRE는 라우팅 에이전트가 규칙을 선택하고, 이에 상응하는 검색기가 지식 기반을 탐색하여 규칙 제약 조건을 만족하는 증거를 순위화하는 방식으로 작동합니다. 라우팅과 검색이 상호 의존적이기 때문에 CoRE는 라우팅 정책을 위한 강화 학습과 규칙 제약 검색기를 위한 대조 학습을 교대로 사용합니다. 이 과정을 통해 선택된 규칙은 검색기 훈련에 감독을 제공하며, 검색 성능은 라우팅 정책에 보상을 제공하는 폐쇄 루프 프로세스를 구현하여 명시적인 질의-규칙 감독 없이 두 구성 요소가 공동으로 적응할 수 있게 합니다.

과학 발견, 생물 의학적 추론, 전자상거래 지식 관리 등 다양한 STaRK-QA 데이터셋에 대한 실험에서 CoRE의 효과가 입증되었습니다. 실험 결과는 라우터와 검색기를 공동으로 적응시키는 이점과 함께, 생성 기반 라우팅이 다중 도메인 사전 훈련과 목표 특정 미세 조정을 통해 데이터셋 간 전송이 가능함을 보여줍니다. 또한, 질의 전반에 걸친 규칙 사용 분석은 자동 규칙 정제 및 발견에 기여합니다.

LLM 기반 멀티 에이전트 시스템에서 모든 에이전트를 개선하는 것은 비용이 매우 많이 들기 때문에, 제한된 자원으로 최대 시스템 수준의 이득을 얻기 위해 어떤 에이전트를 우선시해야 하는지 식별하는 것이 중요합니다. 기존의 실패 귀인 방식으로는 에이전트의 책임이 시스템 전체의 개선 가능성을 직접적으로 보여주지 못하기 때문에, 본 논문은 시스템 수준 개선 잠재력이 높은 에이전트를 식별하기 위한 영향 함수 기반 방법인 IF-MAP을 제안합니다.

IF-MAP은 각 에이전트에 대해 통제된 의미론적 프롬프트 교란 하에서 종단 간 손실 변화를 측정하고, 저차원 프롬프트 임베딩 부분 공간에서 정규화된 국소 응답 모델을 적합시킨 후, 추정된 응답 노름을 우선순위 점수로 사용하여 에이전트의 우선순위를 결정합니다. 이 블랙박스 절차는 모델 파라미터나 기울기에 접근할 필요가 없으며, 후속 개선 노력을 안내할 수 있는 에이전트 우선순위를 산출합니다.

실제 평가 결과, IF-MAP을 사용하여 프롬프트 최적화를 수행했을 때 균일한 에이전트 선택에 비해 평균 3.81%의 이득을 얻었으며, 모델 업그레이드를 수행했을 때는 7.62~16.42%의 평균 이득을 달성했습니다. 특히, IF-MAP은 모든 에이전트를 최적화하거나 업그레이드하는 것에 비해 Qwen3-8B의 토큰 사용량을 74.2%, DeepSeek-V3.2의 토큰 사용량을 35.2% 절감하고, 타겟 모델 토큰을 63.6~64.9% 줄이는 효율성을 보여줍니다.

이러한 결과는 IF-MAP을 사용하여 유망한 에이전트를 식별하고 개선 노력을 더 큰 종단 간 성능 이득으로 집중시키는 데 유용함을 시사합니다. 이는 개발자들이 제한된 자원으로 LLM 기반 멀티 에이전트 시스템의 성능을 효과적으로 향상시키는 데 도움을 줄 것입니다.

LLM 에이전트가 테스트 시점에 사용자 선호도에 적응하기 위해서는 가벼운 상호작용으로부터 쿼리 의존적인 선호도를 학습해야 합니다. 본 연구는 후보 응답 간의 이진 비교를 온라인 신호로 사용하여 페르소나 선택 문제를 다루고 있습니다.

연구진은 대규모 이산 페르소나 공간을 위한 확장 가능한 IDS에서 영감을 받은 신경 다이얼링-밴딧 프레임워크인 ID-TAP을 제시합니다. ID-TAP은 쿼리 조건화 신경 유틸리티 모델과 경량의 브래들리-테리 탐색기(Bradley-Terry explorer)를 결합하며, 유사도 가중식 워밍 스타트를 통해 관련 쿼리 간 비교 증거를 전달합니다.

이 신경 모델은 쿼리 전반에 걸쳐 통계적 강점을 공유하면서도 쿼리별 점수를 보존하며, 효율적인 BT 업데이트를 통해 가상의 도전자들을 평가합니다. 일곱 가지 사용자 조건화 생성 벤치마크에서 참조 및 모델 기반 선호도 시뮬레이터 하에 ID-TAP은 고정된 10라운드 비교 예산 내에서 평가된 기준 모델들 중 가장 강력한 총 성능을 달성했습니다.

이러한 결과는 테스트 시점의 페르소나 적응을 위한 정보 주도 도전자 선택이 효과적인 설계임을 뒷받침합니다.

고품질 이미지 편집을 위해서는 대상 영역을 정밀하게 수정하면서 관련 없는 영역의 내용을 보존해야 합니다. 기존 편집 모델들은 평면화된 결과물을 생성하여 정밀한 국소 조작과 레이어 재사용을 제한하며, 분해 방법들은 지시 기반 편집과 별도로 레이어 복구를 최적화합니다.

이러한 문제를 해결하기 위해 지시 기반 이미지 편집과 재사용 가능한 RGBA 레이어의 제어를 결합하는 통합 프레임워크인 LayerEditor를 소개합니다. LayerEditor는 In-Context RGB-Alpha Token Modeling을 핵심으로 사용하여 편집된 캔버스와 순서가 있는 RGB-Alpha 레이어 시퀀스를 단일 토큰 시퀀스 내에서 공동으로 표현함으로써 의미론적 편집과 개별 레이어 콘텐츠에 대한 명시적인 제어를 가능하게 합니다.

또한, 사전 학습된 모델의 편집 능력을 레이어 출력에 적응시키는 과정에서 이를 유지하기 위해 Compositional Edit-Prior Distillation을 제안합니다. 이 방법은 편집된 캔버스와 예측된 레이어로 구성된 이미지 모두에 편집 우선순위를 전달합니다.

연구진은 훈련 및 평가를 지원하기 위해 순서가 있는 RGBA 레이어 주석이 포함된 대규모 쌍별 이미지 편집 데이터셋인 LayerEditor-100K를 구축하고 레이어 편집을 위한 전용 벤치마크를 도입했습니다. 광범위한 실험 결과, LayerEditor는 강력한 편집 충실도를 유지하면서 정확한 RGBA 레이어를 생성하여 유연한 레이어 수준 조작과 다중 레이어 분해를 모두 지원함을 입증했습니다.

멀티모달 리소스가 미디어 출력으로 변환됨에 따라 에이전트 AI는 장기적인 관점에서 디자인 의도에 맞춰 정렬을 유지해야 합니다. 디자이너들은 목표, 제약 조건, 결과물을 명시하는 브리프를 따르며, 후속 작업은 이전 결정에 기반하여 구축되지만, 프로젝트 내의 결과물 간 정렬을 유지하는 것은 여전히 어렵습니다. 따라서 에이전트는 도메인과 프로젝트가 성장함에 따라 이러한 의도를 보존하고 적용할 필요가 있습니다.

이러한 문제를 해결하기 위해 연구진은 모델 외부에서 디자인 의도를 보존하고 결과물을 생성하는 워크플로우 단계에 연결하는 그래프 기반 도구인 Design Anything을 소개합니다. Design Anything은 제약 조건과 결정을 유지하는 태스크 계약과, 후속 세대를 위한 명시적인 입력이 되는 선택된 디자인을 포함하며, 결정론적 컨트롤러를 사용하여 출력 유형과 수를 확인하고 후속 턴을 안내합니다.

또한, DesignAnything-Bench라는 벤치마크를 통해 19가지 디자인 도메인에 걸쳐 228개의 태스크를 제공하며, 이는 6, 14, 24개의 결과물 규모를 포함합니다. 이 벤치마크에서 LLM을 고정했을 때, Design Anything은 DeepSeek V4.1 Flash High와 GPT-5.6 Sol High 모델에서 각각 85.0%와 92.5%의 사실적 제약 조건을 만족시켰습니다. 이는 동일 모델의 가장 강력한 기준선보다 각각 15.4%와 14.4% 높은 수치이며, 24개 결과물 태스크에서는 25.1%와 23.0%의 향상치를 달성했습니다.

전문 디자이너들은 또한 이 방법이 동일 모델 기준선보다 완전한 결과물 세트를 선호하여 블라인드 평가에서 우위를 보였습니다.

최근 연구 수준의 LLM 물리학 추론 벤치마크 결과는 모델의 지식이나 실행 능력의 문제가 아니라 추론 대상 세계를 모델링하는 데서 실패가 발생함을 보여줍니다. 모델들은 종종 주어진 양을 변경하거나 법칙을 조작하거나 숨겨진 가정을 주입하여 문제를 익숙한 패턴으로 강제한 후, 이 왜곡된 세계 안에서 추론을 수행합니다. 이러한 모델의 내부 공리적 세계 모델(AWM)과 문제에 명시된 실제 물리 세계 사이의 차이를 모델링 드리프트(modeling drift)라고 정의합니다.

기존의 RLVR이나 PRM 방법이 수학 및 코드에서 상당한 성능 향상을 보였음에도 불구하고, 이들의 보상 형태는 물리학과 같은 공리적 영역에서 세계 모델링을 직접적으로 감독하지 못합니다. 이에 연구진은 공리적 세계 모델을 활용하는 강화 학습(Reinforcement Learning with Axiomatic World Modeling, RLAWM)을 제안했습니다. RLAWM은 추론 과정에서 모델이 추론하는 공리적 세계 모델과 실제 물리 세계 간의 차이를 벌점화하여 정책을 최적화합니다.

RLAWM은 물리학 추론을 모델링과 해결이라는 두 가지 계층적 수준에서 탐색하며, 각 수준은 물리적으로 근거가 있는 보상으로 평가됩니다. 모델링 보상은 계산을 시도하기 전에 모델이 참 공리적 세계를 포착했는지 평가하며, 해결 보상은 구체적인 유도 과정이 공리적 세계와 일관성을 유지하는지 확인합니다. 이 구조는 모델이 추론한다고 믿는 세계와 그 세계 내에서 추론하는 방식 사이를 분리합니다.

이 프레임워크는 훈련 중에만 작동하며 추론 시 추가 비용이 발생하지 않습니다. RLAWM은 기준 모델 대비 PhysReason에서 최대 12.2점, PHYSICS에서 5.2점의 성능 향상을 보였습니다. 또한 난이도, 출처, 도메인에 걸쳐 제로샷 일반화를 달성하며, 가장 강력한 기준 모델 대비 오림피아드 수준의 물리학 및 수학에서 2.45배의 이득과 10점의 향상을 기록했습니다.

오픈 소스 30B 파라미터의 인과 언어 모델인 Muse Glimmer가 소비자 하드웨어에서 자율 에이전트 작업을 위해 설계되어 공개되었습니다. 이 모델은 지각 인코더를 통합하고 다단계 추론, 신뢰할 수 있는 도구 사용, 실패 복구 기능을 단일 모델에 통합하여 클라우드 인프라 없이 소비자 기기에서 로컬로 실행될 수 있습니다.

Muse Glimmer는 텍스트와 이미지 입력을 받아 텍스트 출력을 생성할 수 있으며, 백여 개 이상의 언어 데이터로 학습되었습니다. 효율적인 단일 GPU 추론을 위해 약 4비트 정밀도로 양자화되어 있으며, 이는 소비자 장치에서의 실행 가능성을 높입니다.

이 모델은 에이전트 벤치마크에서 크기별 모델인 Gemma4-31B 및 Qwen3.6-27B 모델과 비교하여 도구 사용, 다단계 계획, 에이전트 작업 완료 측면에서 최고 수준의 성능을 달성했습니다. 개발자들은 이 모델을 Apache 2.0 라이선스로 공개하여 안전하고 강력하며 로컬 AI 에이전트의 오픈 소스 개발을 촉진하고자 합니다.

에이전트 구조가 작은 결정(중단, 검증, 접근 방식 변경 등)을 더 저렴한 모델에 위임하는 추세에 따라, 결정 모델을 도입했을 때 비용 증가 없이 성공률을 개선할 수 있는지에 대한 연구가 진행되었습니다. 연구에서는 결정 지점에서만 사용되는 타입화된 결정 모델인 Jev 1.13을 Claude Sonnet 5.5 터미널 에이전트의 컨트롤러로 사용하여 비용을 절감할 수 있는지 검토했습니다.

Terminal-Bench 2.1에서 21개의 홀드아웃 작업(315회 시도)을 통해 Jev는 동일한 성공률(73.0%)을 유지하면서 시도당 비용을 19% 증가시켰습니다(기하 평균 비율 1.19, 95% 신뢰 구간 1.02-1.36). Jev는 소형 LLM 컨트롤러보다 저렴했지만, 플레이스보(placebo) 모델보다 22% 더 비쌌으며 성공률 차이는 감지되지 않았습니다.

비록 Jev가 다른 대안들보다 종료 요청 순위는 더 좋았으나(규칙 AUROC 0.62, 소형 LLM AUROC 0.60 대비 Jev는 0.78), Jev는 보정(calibration)이 불량했습니다. Jev가 완료 확률을 0.50으로 예측했음에도 실제 성공률이 87%였기 때문에, 에이전트는 이미 올바른 작업을 검증하도록 요청하는 방식으로 행동했습니다.

결론적으로, 정보 제공적 결정 신호가 유용한 개입이 되지 못했음을 시사하며, 이는 비용 효율성과 성능 사이의 균형을 맞추는 데 있어 결정 신호의 활용 방안에 대한 추가적인 논의가 필요함을 보여줍니다.

새로운 연구인 HumanSkill-4D는 언어 질의를 통해 애니메이션 가능한 가우시안 아바타의 영역을 선택하는 아바타 참조 분할(avatar referring segmentation) 방법을 제시합니다. 사용자는 질의에 자세나 움직임을 지정하여 일치하는 구간을 선택할 수 있어 아바타를 로컬 편집하고 움직임을 검사하는 상호작용이 가능해집니다.

기존의 언어 가우시안 스플래팅 방법으로는 인접한 신체 부위나 의류를 분리하기 어렵고 간접적으로 참조될 수 있는 영역 모호성(region ambiguity)과 RGB에서 미세한 움직임이 유사하게 보일 수 있는 움직임 모호성(motion ambiguity)이라는 두 가지 주요 과제가 존재합니다.

이러한 문제를 해결하기 위해 HumanSkill-4D는 여러 아바타에 걸쳐 멀티모달 대규모 언어 모델(MLLM)과 기하학적 연산자를 공유하는 학습 없는 프레임워크를 도입했습니다. 각 아바타에 대해 신체 부위와 의류 범주를 영구적인 가우시안 영역 및 외관 설명과 연결하는 의미 기억(semantic memory)을 구축합니다.

이 프레임워크는 MLLM이 외관, 관계 또는 기능을 통해 범주를 선택하게 하며, 움직임 기억에 저장된 관절 궤적에 대한 질의 조건을 확인하는 연산자를 구성하여 일치하는 구간을 찾습니다. 이 과정은 선택의 추적성을 확보하며 새로운 움직임 조건을 지원합니다.

세 가지 인간 주석 기반 벤치마크를 통해 평가한 결과, HumanSkill-4D는 메모리가 작고 아바타당 설정 시간이 몇 분에 불과함에도 불구하고 부분 분할 및 3D, 4D 참조 분할에서 기존 방법들을 능가하는 성능을 보였습니다.

LLM 에이전트는 단일 출처에서 증거를 수집하고 종합하는 능력은 향상되었으나, 실제 분석 질문은 종종 이질적인 출처를 넘나들어야 하는 경우가 많습니다. 예를 들어, 기업 질문에 답하기 위해서는 내부 데이터베이스 결과와 웹상의 증거를 모두 필요로 할 수 있습니다. 최근 HybridDeepResearch와 같은 벤치마크 평가 결과는 증거가 이러한 경계를 넘나들 때 심지어 최첨단 에이전트조차 어려움을 겪는다는 것을 보여주었습니다.

이러한 한계를 해결하기 위해 연구진은 구조화된 데이터와 비구조화된 데이터 사이의 증거를 연결하는 4B 에이전트인 HybridResearcher를 소개했습니다. HybridResearcher는 기존의 텍스트-SQL 또는 웹 검색 쿼리 같은 단일 출처 작업에서 시작하여 브릿지 엔티티 주변의 누락된 출처를 생성함으로써 교차 출처 연결 경로를 합성하는 방식으로 구축되었습니다. 이 과정에서 데이터가 진정한 교차 출처 의존성을 요구하는지 확인하기 위해 엄격한 구성 게이트를 유지했습니다.

이 모델은 지도 미세 조정(SFT) 후 강화 학습(RL)을 사용하여 훈련되었으며, 기존 HybridDeepResearch 벤치마크에서 기본 모델인 Qwen3.5-4B보다 pass@8 점수가 30.0점 향상되었고, 훨씬 더 큰 Qwen3.5-397B-A17B 모델보다 8.3점 더 높은 성능을 보였습니다. 또한 BrowseComp 및 BrowseComp-Plus와 같은 기존의 단일 출처 벤치마크에서도 기본 모델보다 성능을 개선하여, 복잡한 교차 출처 추론 능력이 대규모 모델에 의존하지 않고도 소형 모델에 직접 학습될 수 있으며 치명적인 망각을 유발하지 않음을 입증했습니다.

LLM이 서버 GPU에서 강력한 성능을 보이는 커널을 생성할 수 있지만, 이들을 엣지 환경에 배포하는 것은 하드웨어의 이질성, 파편화된 소프트웨어 스택, 제한된 자원 예산 때문에 고유한 어려움을 안고 있습니다. 다양한 엣지 백엔드에 걸친 LLM 커널 생성에 대한 체계적인 연구는 아직 부족한 상황입니다.

이러한 문제를 해결하기 위해 EdgeKernelBench를 도입했는데, 이는 통일된 IR 배포 프레임워크와 엣지 워크로드를 위한 계층적 벤치마크를 결합한 것입니다. 이 통일된 IR은 재사용 가능한 계산, 스케줄링, 메모리 결정을 포착하며 컴파일러 인터페이스를 통해 각 대상 백엔드에 연결됩니다. EdgeKernelBench는 TVM을 참조 컴파일러로 사용하여 이질적인 엣지 백엔드 전반에서 설계를 검증했습니다.

단일 생성 시도에서 최적의 모델은 64.5%의 Correct@1 성능을 달성했지만 [email protected] 성능은 25.5%에 불과하여 기능적 정확성이 반드시 성능 향상으로 이어지지 않는다는 점을 보여줍니다. 따라서 최적화를 체계화하기 위해 Layered Edge Kernel Agent(LEKA)를 도입했습니다. LEKA는 계층적 IR을 통해 최적화를 구성하며, 에이전트 평가 부분에서 LEKA는 직접 생성(13.0%)이나 Claude Code(26.1%)에 비해 43.5%의 [email protected] 성능을 달성했습니다.

결론적으로 EdgeKernelBench와 LEKA는 엣지 백엔드 전반에서 LLM이 생성한 커널의 통일된 평가와 계층적 최적화를 지원합니다. 이는 엣지 환경에서 LLM 기반 커널 생성의 성능 격차를 줄이는 데 기여합니다.