읽을 가치가 있는 기사만, 짧고 또렷하게.

URSALA, RAQUEL, FARRAH와 같이 최근 기밀이 해제된 미국 저궤도 신호정보 위성들이 임무를 확장했습니다. 이 위성들은 기존의 국가 지도부용 정보 수집 임무를 넘어 전 세계 전술부대를 직접 지원하는 임무를 수행하게 되었습니다.

이러한 임무 확장을 위해 위성에는 접시형 안테나와 극궤도가 탑재되었습니다. 이를 활용하여 희미한 레이더 신호를 수집하고 전 지구를 탐색하는 방식으로 작동합니다.

이러한 기술적 진보는 소형 위성이 어떻게 광범위한 전술 지원을 수행할 수 있는지 보여줍니다. 이는 위성 시스템의 설계와 데이터 처리 능력에 대한 중요한 시사점을 제공합니다.

캘리포니아주가 아동 결혼을 금지하는 법안에 서명하여 이 관행을 종식시켰습니다. 이 법은 1월 1일부터 발효되며, 골든 스테이트에서 결혼하기 위해서는 최소 18세가 되어야 한다는 내용을 담고 있습니다. 이 조치는 32개 미국 주에서 여전히 합법적인 아동 결혼 관행이 허용되고 있는 상황에서 이루어졌습니다.

이 법은 아동 결혼 피해자들에게 희망을 주는 메시지를 전달하며, 생존자들이 겪었던 시스템적 폭력으로부터 자유로워지기를 바라는 목소리를 반영합니다. 캘리포니아에서는 과거에 법적 결혼 연령이 없어 부모의 동의와 판사의 승인만 있으면 어린아이들이 결혼할 수 있었으며, 미성년자의 이혼 절차도 없었습니다.

이러한 변화는 아동 결혼을 반대하는 활동가들의 오랜 노력이 결실을 맺은 결과입니다. 이들은 아동 결혼이 많은 주에서 합법적이라는 사실조차 많은 사람들이 모르는 상황에서, 모든 50개 주에서 결혼을 금지하기 위해 계속해서 법적 변화를 요구하고 있습니다.

Yantra는 C++로 작성된 통합된 파서 생성 도구로, 렉서, 파서, 그리고 추상 구문 트리(AST) 순회 기능을 하나의 도구에서 제공합니다. 이 도구는 구문 분석을 수행한 후 전체 AST를 먼저 구축하고 이를 상향식으로 순회하는 방식을 채택하여 기존의 LALR(1) 기반 파서 생성 방식과 차별화됩니다.

대부분의 LALR 파서 생성기들은 규칙이 축소될 때마다 의미론적 동작을 실행하는 하향식 방식으로 작동하기 때문에, 규칙의 부모에 대한 정보가 아직 확정되지 않은 상태에서 동작이 실행됩니다. 반면 Yantra는 전체 AST를 먼저 구축한 후 별도의 패스를 통해 상향식으로 순회하며 의미론적 동작을 호출합니다. 이 접근 방식 덕분에 부모 규칙의 동작이 자식 규칙이 방문되기 전에 실행될 수 있어 문법 설계가 용이해지고, 하나의 구문 분석에서 C++나 Java와 같은 여러 언어용 AST 순회기를 생성할 수도 있습니다.

Yantra는 C++만을 대상으로 하며, ANTLR처럼 JVM 의존성 없이 네이티브 C++ 실행 파일로 제공된다는 장점이 있습니다. 이는 C++ 프로젝트에 통합하기 위해 JVM을 추가해야 하는 ANTLR과 비교했을 때 빌드 환경의 독립성을 높여줍니다. 또한, Yantra는 IDE 내의 증분 파싱에 중점을 둔 tree-sitter와 달리 컴파일러 백엔드를 생성하는 데 특화되어 있어, 컴파일러 생성 도구로서의 목적에 더 부합합니다.

벤처 캐피탈 투자자 악샤이 메흐라의 글에 따르면, 기술 투자 분야의 중심축이 변화하고 있습니다. 5년 전만 해도 마켓플레이스, "X계의 우버", 버티컬 SaaS, 네오뱅크와 같은 피치가 넘쳐났습니다. 하지만 현재는 자본 집약적인 영역인 하드 사이언스 또는 딥테크가 투자 중심축으로 올라오고 있습니다.

이는 투자자들이 소프트웨어 중심의 비즈니스 모델에서 벗어나 근본적인 과학적 발견과 기술적 난제를 해결하는 분야에 더 큰 가치를 두고 있음을 의미합니다. 특히 인공지능(AI) 분야에서 이러한 흐름이 두드러지며, 단순한 애플리케이션 개발을 넘어 기초 연구와 핵심 기술 개발에 대한 투자가 중요해지고 있습니다.

이러한 변화는 피터 틸이 "날아다니는 자동차를 원했는데 140자를 얻었다"고 말한 것처럼, 당장 눈에 보이는 결과보다는 근본적인 원리와 기술적 깊이를 추구하는 방향으로 투자 패러다임이 전환되고 있음을 보여줍니다. 따라서 개발자들은 단순히 기능 구현을 넘어, AI와 같은 첨단 분야에서 깊이 있는 하드 사이언스 기반의 기술적 이해를 갖추는 것이 중요해지고 있습니다.

jevotron은 명령줄을 통해 여러 Jev 통합 기능을 제공하는 도구입니다. 이 도구는 파일에 대한 이상 징후를 측정하고, 필드 수준의 이상 점수를 산출하며, 검토 대기열을 구축하는 워크플로우를 제공하여 데이터 분석 및 검토 과정을 자동화합니다. 사용자는 파일과 함께 가이드라인을 제공하여 이상 징후를 탐지하고, 캐시 기능을 통해 다음 실행 비용을 절감할 수 있습니다.

사용자는 파일에 대해 `jevotron scan` 명령어를 사용하여 특정 필드에 대한 이상 점수를 평가하고, `jevotron review`를 통해 의심스러운 항목을 정렬하거나 CSV, JSONL 형식으로 내보낼 수 있습니다. 이 도구는 CSV, YAML, JSON, TOML, OBO 등 다양한 파일 형식을 지원하며, 사용자 정의 파서나 설정 파일을 통해 맞춤형 처리가 가능합니다. 성공적인 결과는 SQLite에 저장되어 있으며, 보고서는 각 필드의 확률, 항목 점수, 출처 위치 등을 포함하여 검토에 필요한 증거를 제공합니다.

또한, 이 도구는 에이전트 추적(Agent traces) 분석에도 활용될 수 있습니다. 소규모 샘플 분석 결과, 24개의 공개 추적에서 163단계 품질 레이블 중 79.8%를 일치시키는 성능을 보였습니다. 이는 모델이 생성한 추적의 품질을 측정하고 평가하는 데 유용하며, 개발자가 데이터의 품질을 체계적으로 검증하는 데 도움을 줍니다.

Railcode 웹사이트는 코딩 에이전트가 생성한 여러 시안 중에서 아이디어를 선택하고 반복적으로 다듬는 과정을 거쳐 완성되었습니다. 이 사례는 디자이너를 대체하기보다는 비디자이너도 자신이 원하는 디자인을 실제로 구현할 수 있게 해준다는 점에서 주목받고 있습니다.

이러한 접근 방식은 코딩 에이전트가 단순히 코드를 생성하는 것을 넘어, 사용자의 의도를 반영하여 디자인 시안을 발전시키는 데 중점을 둡니다. 결과적으로 사용자는 코딩 과정에 대한 깊은 지식 없이도 원하는 미적 결과물을 직접 구현할 수 있게 됩니다.

이러한 방법은 '코드를 레일 위에 올린다'는 제품 개념과 사용의 재미를 결합하여, 코딩과 디자인의 경계를 허무는 새로운 경험을 제공합니다. 이는 코딩 에이전트가 단순한 도구를 넘어 디자인 프로세스 전체를 관리하고 개선하는 방식으로 발전할 수 있음을 보여줍니다.

Vivo X Fold 6이 글로벌 출시를 앞두고 발표된 크기와 화면 비율이 다소 구식으로 느껴진다는 평가가 나왔습니다. 중국에서 출시될 당시에는 다른 폴더블 기기와 차별화되었으나, 글로벌 시장에 공개되면서 크기와 종횡비가 다소 구식으로 느껴진다는 지적이 제기되었습니다.

X Fold 6는 Vivo의 이전 폴더블 기기들과 동일한 크기를 유지하고 있으며, 이는 애플과 삼성 등이 더 짧고 넓은 폼팩터로 전환한 Z Fold 8이나 아이폰 듀오와 같은 이전 폴더블 기기들의 크기와 유사합니다.

구체적으로 X Fold 6는 6.51인치 커버 디스플레이를 사용하며 표준 스마트폰의 20:9 화면 비율을 채택하고, 펼쳤을 때 약 8.02인치 크기의 패널을 제공합니다. 이 기기는 경쟁 제품들보다 주름이 약간 뒤에 위치하여 더 잘 보이지만, IP59 등급의 방수/방진 성능을 갖추고 있습니다.

10년 만기 국채 수익률이 5.3%를 넘어섰으며 이는 지난 24년 동안 관찰되지 않았던 수준입니다. 이러한 금리 상승은 채권 시장 전반에 걸쳐 중요한 변화를 가져오고 있습니다.

최근 국채 수익률의 급등은 시장 참여자들이 인플레이션과 경제 성장 전망에 대해 재평가하고 있음을 시사합니다. 이는 채권 가격과 금리 간의 역학 관계에 영향을 미치며 투자 전략을 재고하게 만드는 요인입니다.

이러한 수익률 변화는 장기 채권 투자자들에게 새로운 기회와 위험을 동시에 제시합니다. 투자자들은 현재의 고금리 환경이 지속될지, 혹은 향후 경제 상황에 따라 금리가 어떻게 움직일지 면밀히 관찰해야 합니다.

LLM 에이전트의 성능을 개선하기 위해 실행 피드백을 통해 프롬프트, 도구 인터페이스, 제어 로직을 반복적으로 업데이트하는 자동화된 하네스 최적화가 가능합니다. 하지만 기존 방법들은 피드백을 유발하는 훈련 시나리오를 고정시킨 채 하네스를 업데이트하는 방식에 집중되어 있습니다. 하네스가 발전함에 따라 최적화에 가장 유용한 시나리오가 변할 수 있으므로, 훈련 커리큘럼 자체도 하네스와 함께 적응해야 한다는 필요성이 제기되었습니다.

이러한 부족한 부분을 자동화된 커리큘럼 학습 문제로 공식화하여 ActiveSaddler를 제안합니다. ActiveSaddler는 진화하는 커리큘럼을 동적으로 설정된 최적화 목표를 가진 비정상적 반딧(non-stationary bandit)으로 모델링합니다. 이 방법은 반복되는 실패를 재사용 가능한 실패 패턴으로 추상화하고, 각 패턴을 목표로 할 때의 잠재적 학습 진전을 추정하며, 알려진 약점을 재방문하는 것과 새로운 시나리오를 탐색하는 것을 적응적으로 균형 잡습니다.

ActiveSaddler는 발견된 실패 패턴과 그 우선순위를 지속적으로 업데이트하여 커리큘럼이 하네스와 공동으로 진화하도록 합니다. GAIA2와 Terminal-Bench 2.0 실험 결과, ActiveSaddler는 동일한 하네스 최적화기(시나리오 순서 고정)를 사용했을 때 테스트 Pass@1을 각각 4.4%와 7.5% 포인트 향상시키는 더 강력한 하네스를 일관되게 발견했습니다.

이러한 성능 향상은 최적화 목표를 동적으로 구성하고, 그 진화하는 효용성을 추정하며, 지속적인 최적화와 새로운 실패 발견 사이의 균형을 맞추는 데 달려 있습니다. 결과적으로 자동화된 커리큘럼 학습은 하네스 최적화를 위한 새로운 핵심 최적화 차원임을 입증합니다.

TLA+는 복잡한 동시성 시스템의 불변식과 활성 속성을 검증하는 데 유용합니다. 하지만 이는 에이전트 기반 소프트웨어 개발에서 발생하는 모든 문제를 해결할 수 있는 것은 아닙니다.

TLA+를 사용하여 시스템의 속성을 검증하려면 원하는 속성을 논리식으로 명확하게 표현해야 합니다. 이러한 형식적 검증 방법을 통해 올바른 설계가 자동으로 올바른 코드로 이어지는 과정을 보장할 수 있습니다.

따라서 TLA+는 동시성 시스템의 수학적 속성을 엄밀하게 검증하는 데 강력한 도구이지만, 에이전트 기반 개발의 전체적인 복잡성을 다루기 위해서는 추가적인 접근 방식이 필요합니다.

EDG C++ 프런트엔드가 2026년 9월 30일에 소스를 공개하고 비영리 조직인 The C++ Alliance를 새로운 운영 기반으로 삼았다고 발표했습니다. 이는 프로젝트의 관리 주체와 자금 조달 방식이 변경됨을 의미합니다.

이번 전환은 프로젝트의 운영 구조에 변화를 가져오지만, 개발자들이 사용하는 핵심적인 기술 요소에는 영향을 미치지 않습니다. 기존 엔진, 구현 표준, 그리고 전문적인 유지보수 체계는 그대로 이어지기 때문에 개발 환경이나 코드의 안정성에는 변동이 없습니다.

따라서 개발자들은 EDG C++ 프런트엔드의 기술적 연속성과 표준을 그대로 신뢰하며 작업을 진행할 수 있습니다. 다만, 향후 프로젝트의 관리 및 자금 조달 방식에 대한 변화가 발생했으므로 관련 조직의 운영 방향을 참고할 필요가 있습니다.

싱가포르 정부가 운영하는 데이팅 앱 FirstDate는 사용자 선호도와 수용 불가 조건을 기반으로 순위를 설정하고, Gale-Shapley 알고리듬을 사용하여 상대방을 매칭하는 방식을 채택했습니다.

이 시스템은 제안자가 가장 선호하는 상대에게 제안을 하고, 수신자가 최선의 제안만을 보류하며 나머지는 거절하는 과정을 반복하여 안정적인 매칭을 도출합니다. 이는 복잡한 제약 조건 하에서 효율적이고 안정적인 매칭을 찾는 데 알고리즘이 어떻게 적용될 수 있는지 보여주는 사례입니다.

Gale-Shapley 알고리듬은 제안자와 수신자 모두에게 최적의 결과를 보장하는 안정적인 매칭을 찾는 데 사용되며, 이는 실제 데이팅 앱 환경에서 사용자의 선호도와 제약 조건을 반영하여 매칭 효율성을 높이는 데 중요한 의미를 가집니다.

따라서 이 사례는 알고리즘이 단순한 최적화 문제를 넘어 현실 세계의 복잡한 제약 조건과 선호도를 통합하여 안정적인 결과물을 생성하는 데 어떻게 활용될 수 있는지에 대한 실질적인 개발적 시사점을 제공합니다.

코딩 에이전트들의 작업 문맥과 협업을 한곳에서 관리하는 오픈소스 오케스트레이션 앱인 Traycer가 공개되었습니다. 이 앱은 모델과 제공자가 달라도 여러 코딩 에이전트를 병렬로 실행하면서 작업 문맥을 공유할 수 있게 해주는 기능을 제공합니다.

Traycer는 개발자들이 Claude Code, Codex, Cursor, OpenCode와 같이 기존에 사용하던 에이전트와 구독 서비스를 연결하여 활용할 수 있도록 돕습니다. 또한 사용자는 Traycer 자체의 추론 서비스를 이용함으로써 복잡한 멀티 에이전트 환경을 효율적으로 관리할 수 있습니다.

이러한 기능은 서로 다른 AI 모델이나 서비스 제공자를 사용하는 개발자들이 코딩 작업의 일관성과 효율성을 높이는 데 중요한 역할을 합니다. 즉, 여러 에이전트 간의 복잡한 상호작용에서 발생하는 문맥 단절 문제를 해결하고, 통합된 환경에서 협업을 진행할 수 있도록 지원합니다.

SpaceXAI의 위키피디아 경쟁 AI인 Grokipedia가 최근 다시 편집을 수용하기 시작했으며, 오늘 v0.3 업데이트를 통해 디자인 변경을 단행했습니다. 이번 업데이트에는 새로운 로고와 홈페이지 및 실시간 편집 페이지의 새로 고침이 포함되었습니다.

SpaceXAI의 디자인 책임자인 벤지 테일러는 이를 "새롭게 다듬어진 Grokipedia"라고 평가했습니다. 이전 Grokipedia의 홈페이지는 로고와 검색창으로 구성되어 있었으나, 업데이트된 홈페이지는 이제 인기 기사 목록, 가장 많이 읽은 기사 목록, 그리고 '최신 편집'을 추적하는 표시를 포함하고 있습니다.

특히 새로운 추천 목록은 사용자가 책의 디지털 표현을 돌려볼 수 있는 형태로 제공하여 콘텐츠 탐색 경험을 개선했습니다. 이러한 디자인 변경은 Grokipedia의 사용자 인터페이스를 시각적으로 개선하고 콘텐츠 접근성을 높이는 데 중점을 두고 있습니다.

클리포드 스톨(Clifford Stoll)의 1989년 논픽션은 연구소 컴퓨터 사용료의 75센트 오차에서 시작하여 소련 KGB에 정보를 판매하던 해커를 추적한 과정을 1인칭으로 기록한 책입니다. 이 이야기는 시스템 내부의 미세한 오류가 어떻게 국가 기밀 정보 유출로 이어질 수 있는지 보여줍니다.

해당 침입자는 GNU Emacs의 movemail 취약점을 이용하여 연구소 시스템의 최고 관리자 권한을 획득했습니다. 이는 소프트웨어의 특정 취약점이 시스템 전체의 보안을 무너뜨릴 수 있음을 보여주는 중요한 사례입니다.

이 기록은 소프트웨어 개발 과정에서 발생하는 취약점과 시스템 관리 권한의 중요성을 강조하며, 개발자들이 시스템 보안을 설계하고 관리할 때 고려해야 할 역사적 맥락을 제공합니다. 특히 GNU Emacs와 같은 도구의 취약점이 어떻게 실제 보안 위협으로 발전하는지 이해하는 데 도움이 됩니다.

로봇 하드웨어와 학습 방법이 발전함에 따라 휴머노이드 로봇은 고유한 물리적 한계를 넘어선 작업을 수행하기 위해 도구가 필요합니다. 성공적인 도구 사용은 적절한 도구를 선택하고 조작과 필요에 따라 이동을 조정하는 것을 요구하는데, 기존 벤치마크들은 이러한 능력을 휴머노이드에 대해 공동으로 평가하지 못하고 있습니다.

이에 연구진은 18가지 과제로 구성된 HumanoidToolBench 벤치마크와 시뮬레이션 및 실제 Unitree G1 로봇에서 수집된 3,100개의 시연 데이터셋인 ToolBook을 소개합니다. 이 평가 결과, 적절한 도구 선택과 실제 작업 완료 사이에는 상당한 격차가 있음을 발견했습니다.

실제 로봇에서 3개의 정책과 시뮬레이션에서 7개의 정책을 평가한 결과, 도구 선택과 작업 완료 사이에 큰 차이가 나타났습니다. 특히 Focused GR00T N1.7 탐색 결과, 보지 못한 도구에 대한 선택 정확도가 감소했으며 관련 없는 지시에 따라 작업이 계속 진행되는 현상이 관찰되었습니다.

이 연구는 도구 사용 능력을 휴머노이드에 대해 종합적으로 평가할 수 있는 새로운 기준을 제시하며, 관련 코드와 데이터는 https://snu-pi.github.io/HumanoidToolBench/에서 확인할 수 있습니다.

Unsiloed AI는 문서에서 추출된 정보의 불확실성을 분리하기 위해 TypeSafe의 Jev와 결합한 문서 검토 방법을 제시합니다. 이 시스템은 OCR 오류나 일반적인 실수로부터 추출된 값의 정확성을 확인하는 데 중점을 둡니다.

Unsiloed는 문서에서 구조화된 필드를 추출하고 위치를 파악하며 추출 점수와 근거 점수를 제공합니다. 이후 Jev는 추출된 정보에 대해 집중 질문을 던져 정보의 타당성을 판단합니다. Jev는 Noul, Choice, Score와 같은 다양한 유형의 답변을 사용하여 추출된 정보가 주어진 질문에 대해 얼마나 그럴듯한지 평가합니다.

예를 들어, 약물 목록에서 Unsiloed가 "1정"을 추출했더라도 Jev는 실제 이미지의 얼룩이나 다른 행의 정보와 비교하여 추출된 양과 빈도가 주어진 성인 환자 맥락에서 그럴듯한지 검토합니다. 이 과정에서 추출 점수와 근거 점수 외에 Jev의 판단이 추가되어 추출된 텍스트가 정확해야만 최종 결과가 신뢰성을 가질 수 있습니다.

이러한 검토 과정은 추출된 데이터의 신뢰도를 높이지만, Jev의 판단은 이미지 자체를 직접 보지 않기 때문에 추출된 텍스트의 정확성에 의존합니다. 따라서 추출된 텍스트가 잘못되었을 경우 Jev의 높은 판단이 낮은 점수를 상쇄하지 못할 수 있으므로, 검토자는 추출 결과와 Jev의 판단을 모두 확인해야 합니다.

생물학적 추론 모델이 생물학적 기반 모델 표현과 텍스트를 연결하여 학습했을 때, 벤치마크 정확도가 해당 입력에 대한 추론을 증명하는지 검증했습니다. 연구진은 DNA, 단백질, 단일 세포 작업에 걸쳐 여섯 가지 생물학적 추론 모델을 테스트하며 이 가정을 검증했습니다.

연구 결과, Evo2와 ESM3는 BioReason 및 BioReason-Pro 성능에 거의 기여하지 않았습니다. DNA 서열을 섞어도 BioReason의 질병 예측 정확도는 거의 변하지 않았으며, 증거 충돌 상황에서 두 모델은 97.9%와 99.7%의 경우 텍스트를 따랐습니다. 이는 현재의 후처리 전략이 기반 모델 표현이 실제 작업 성능에 기여함을 보장하지 않는다는 것을 시사합니다.

다만, 기반 모델 입력은 ChatNT, Prot2Text-V2, CellWhisperer 성능에 기여했으며, 유전자 문장에서 표현된 차등 발현 유전자는 Cell2Sentence-Scale 성능에 기여했습니다. 또한, BioReason 추적은 뉴클레오타이드 변화를 잘못 기술하는 반면, BioReason-Pro 추적은 증거 충돌 하에서 최종 예측에서 누락된 기능을 기술하는 것으로 나타났습니다.

대규모 언어 모델로 구축된 멀티 에이전트 시스템(MAS)은 복잡한 작업을 처리하지만, 효과적인 워크플로우를 사전에 설계하기가 어렵습니다. 테스트 시 진화(Test-time evolution)를 통해 워크플로우를 개선할 수는 있으나, 광범위한 수정은 유용한 구성 요소를 방해할 수 있으며, 변경되지 않은 요청을 재실행하는 것은 불필요한 연산을 초래합니다.

이러한 문제를 해결하기 위해 본 논문은 생물학적 진화에서 유전과 선택의 상호작용에서 영감을 받아 워크플로우 및 실행 수준에서 상속을 명시적으로 만드는 Inherit-MAS를 제안합니다. Inherit-MAS는 작업자 에이전트의 역할, 통신 입력, 도구 권한을 포함하는 워크플로우를 먼저 합성하고, 별도로 프롬프트된 심사관이 각 실행 후보를 평가하여 결함을 진단합니다. 일반적인 개선 단계에서 워크플로우 상속은 가장 최근에 완료된 후보에서 시작하여 도움이 되지 않는 노드를 제거하고 진단된 결함을 해결하기 위해 검증된 수정을 적용합니다.

새로운 후보가 실행될 때, 실행 상속은 완전하게 해결된 요청과 실행 컨텍스트가 일치하는 경우에만 적절한 저장된 결과를 상속하여 불필요한 모델 및 도구 호출을 방지합니다. GPT-4o-mini 작업자를 사용했을 때 Inherit-MAS는 WorkBench에서 55.4%, HotpotQA FullWiki에서 49.7%의 점수를 달성하며 EvoAgent, EvoMAS, TacoMAS를 능가했습니다. Qwen3-32B 작업자를 사용했을 때도 두 벤치마크 모두에서 기존의 진화형 MAS 기준을 뛰어넘었습니다. 또한 실행 상속을 비활성화하고 동일한 컨트롤러를 재실행했을 때와 비교하여, 실행 상속은 WorkBench에서 작업자 토큰 사용량을 29.1%, HotpotQA에서 34.6%를 줄였으며, 총 토큰 사용량은 각각 5.3%와 18.1% 감소시켰습니다.

3차원 메시에서 실행 가능한 CAD 프로그램을 복구하는 것은 CAD 구성의 조합적 특성과 이산적 모델링 선택과 연속적 매개변수 간의 상호작용 때문에 어려운 과제입니다. 기존의 학습 기반 방법들은 단일 패스로 프로그램을 예측하며 주로 스케치-돌출 표현에 의존하여 작업 다양성과 재구성 중 기하학적 오류를 수정할 기회를 제한합니다.

이에 연구진은 상태 조건부 CAD 정책과 기하학 기반 탐색을 결합한 생성 최적화 접근 방식인 StepCAD를 제안합니다. StepCAD는 입력 메시가 주어졌을 때 목표 및 중간 기하학을 조건으로 예측하여 건설 동작을 예측하는 정책을 사용하고, IoU 기반 트리 탐색을 통해 국소적인 편집을 통해 결과 프로그램을 정제합니다.

또한, 다양한 작업과 최대 150회 이상의 연산이 포함된 시퀀스, 그리고 1250만 개의 중간 상태-행동 전환을 포함하는 150만 개의 실행 가능한 CAD 프로그램으로 구성된 대규모 데이터셋인 ARCADE-1.5M을 소개합니다. StepCAD의 실험 결과는 여러 CAD 재구성 벤치마크에서 최고 수준의 기하학적 재구성 정확도와 일관되게 높은 유효성을 달성했으며, 특히 복잡한 도형에서 가장 강력한 기준선 대비 최대 87.2%의 상대 IoU 개선을 보였습니다.