읽을 가치가 있는 기사만, 짧고 또렷하게.

GPT-5.5 Pro의 추론의 첫 1%를 추론 채널에 미리 넣었을 때, Qwen3.8 A95B의 답변과 GPT-5.5 Pro 답변 간의 중복 점수가 크게 상승했습니다. 이 중복 점수는 기존 16.79%에서 34.97%로 증가했습니다.

이 실험은 STEM, 비STEM, 합성 퍼즐 각 15개, 총 45개의 문제를 대상으로 일반 응답과 추론 프리필 응답을 비교하는 방식으로 진행되었습니다. 이는 두 모델 간의 추론 능력 및 답변의 일관성을 측정하기 위한 비교 작업이었습니다.

이러한 결과는 Qwen3.8 모델이 GPT-5.5 Pro의 추론 방식을 더 효과적으로 따라가고 있음을 시사합니다. 즉, 추론 프리필 정보를 활용함으로써 두 모델 간의 답변 유사성이 크게 향상되었습니다.

결론적으로, 추론 채널에 사전 정보를 제공하는 방식이 모델 간의 추론 결과 일치도를 높이는 데 긍정적인 영향을 미쳤습니다.

호요진(Hideo Kojima)이 개발 중인 PHYSINT 프로젝트가 플레이스테이션 스튜디오에 의해 중단되었다는 소식이 확인되었습니다. 이 프로젝트는 코지마 개인과 코지마 프로덕션에게 매우 중요한 의미를 지니고 있으며, 개발팀은 프로젝트를 계속 유지하기 위해 새로운 파트너를 찾기 위해 지난 세 달 동안 노력했습니다.

코지마는 여러 분야의 사람들과 협상하고 조언을 구하는 과정을 거쳐 최종적으로 엑스박스(Xbox)와 공동의 비전을 공유하는 파트너를 찾았다고 밝혔습니다. 이에 따라 PHYSINT의 개발은 계속 진행될 것이며, 이 장르를 정의하는 액션 스파이 장르 타이틀의 개발이 계속될 예정입니다.

이러한 상황은 프로젝트의 지속성과 개발 방향에 중요한 변화를 가져왔습니다. 플레이스테이션의 중단 결정 이후 코지마는 엑스박스를 새로운 파트너로 선택함으로써 PHYSINT의 개발을 이어가기로 결정했습니다. 이는 개발팀이 새로운 파트너와의 협력을 통해 프로젝트를 성공적으로 이끌어 나갈 수 있는 기반을 마련했음을 의미합니다.

강남언니가 약 22만 명의 개인정보 유출 사실에 대해 2차 입장문과 보상안을 공개하며 피해 고객들에게 보상책을 제시했습니다. 이들은 국내 피해 고객들에게 1인당 5만 원 상당의 포인트를 지급하기로 결정했습니다.

이번 보상안은 개인정보 유출로 인해 발생할 수 있는 금융사기 피해에 대한 보험 제공을 포함하고 있습니다. 유출로 인해 발생한 해킹이나 피싱 등 금융사기 피해에 대해 1인당 최대 1,000만 원까지 보장하는 보험을 제공할 예정입니다.

이는 개인정보 유출로 인한 피해를 입은 국내 고객들이 실질적인 보상을 받을 수 있도록 하기 위함입니다. 피해자들은 포인트 지급과 더불어 금융사기 피해에 대한 보험 혜택을 통해 피해를 최소화할 수 있습니다.

38억 파라미터 규모의 LLM을 998달러의 비용으로 CORE 점수 0.384를 달성하는 훈련에 성공했습니다. 이 연구는 연구실이나 대규모 컴퓨팅 예산 없이도 개인 개발자가 의미 있는 모델을 훈련할 수 있음을 보여주며, 이는 AI 모델 개발의 접근성을 크게 높입니다.

연구진은 3.8B 파라미터 모델을 43시간 동안 650억 토큰으로 훈련시켰으며, 이 과정에서 B200 GPU를 활용하여 효율성을 극대화했습니다. 이 결과는 이전의 nanochat 모델보다 비용 대비 성능 면에서 의미 있게 앞서며, 소프트웨어 엔지니어링 원칙을 적용한 설정 기반 프레임워크인 little-lm을 통해 훈련이 가능했습니다.

성공적인 훈련을 위해서는 최적화 기법이 중요했는데, 행렬 파라미터에는 Muon을, 나머지 부분에는 AdamW를 적용하여 수렴 속도를 높였습니다. 또한, FP8 훈련과 토큰 패딩을 통해 텐서 코어 활용도를 높였으며, 학습률 스케줄로 트라페조이드 스케줄을 사용하여 모델이 학습 후반부까지 지속적으로 학습하도록 유도했습니다.

이러한 접근 방식은 AI 작업에서 인프라와 코드 구조가 결과에 미치는 영향을 명확히 보여줍니다. 특히, 모델이 학습 후반부까지 수렴하도록 설계하는 것이 최종 성능을 결정하는 중요한 요소임을 시사합니다.

빛의 속도를 시속 5km로 줄여서 상대성 이론 효과를 직관적으로 이해할 수 있도록 시각화하는 프로젝트가 공개되었습니다. 이 시뮬레이션은 일상적인 물체를 통해 길이 수축, 시간 팽창, 테렐 회전 등 특수 상대성 이론의 현상을 관찰할 수 있게 합니다.

사용자는 시뮬레이션 내에서 속도를 높일수록 이러한 상대론적 효과가 명확하게 나타나는 것을 확인할 수 있으며, 빛의 도플러 효과와 상대론적 비정상(aberration) 등 다양한 현상을 시각적으로 경험할 수 있습니다. 예를 들어, 물체가 움직일 때 앞쪽은 청색 편이(blueshift)되고 뒤쪽은 적색 편이(redshift)되는 현상이나 시계의 시간 팽창 등이 현실적으로 구현되어 있습니다.

이 시뮬레이션은 빛의 속도가 크게 감소한 환경에서 이러한 효과들이 어떻게 물리적으로 정확하게 나타나는지를 보여줍니다. 다만, 극단적인 상대론적 속도나 극한의 적색/청색 편이의 렌더링은 근사치이며, 실제 우주 환경에서 빛의 속도에 근접할 경우 물질이 증발하거나 감마선이 발생하는 등 비물리적인 결과가 나타난다는 점을 명시하고 있습니다.

KAIST와 마이크로소프트연구소 아시아 공동연구진이 사람의 뇌파를 피드백으로 활용하여 인공지능(AI)의 목표와 행동을 조정하는 신경 가치 정렬(NVA)을 제안하는 연구를 발표했습니다. 이 연구는 AI가 단순히 목표를 달성하는 것을 넘어, 예상과 다른 결과나 상황에 직면했을 때의 내부적인 의도를 파악하여 행동을 교정하는 방법을 탐구합니다.

기존의 AI 정렬 연구는 겉으로 드러나는 행동만을 기준으로 목표를 설정하는 한계가 있었습니다. 연구진은 이러한 한계를 극복하기 위해 뇌파 피드백을 활용하여 AI의 행동이 실제 의도와 일치하는지, 그리고 예상치 못한 상황에 어떻게 반응하는지를 감지하고자 했습니다. 이는 AI가 단순히 주어진 목표를 수행하는 것을 넘어, 복잡한 환경에서 맥락을 이해하고 적절한 의사결정을 내릴 수 있도록 돕는 신경과학적 접근 방식입니다.

이러한 신경 가치 정렬(NVA) 방법은 AI가 겉으로 드러난 행동뿐만 아니라 내부적인 인지 상태와 예상치 못한 결과까지 고려하여 목표를 조정하게 함으로써, 더욱 복잡하고 유연한 행동을 학습하게 할 수 있습니다. 이는 AI 시스템이 실제 세계의 미묘한 맥락을 이해하고 인간과 유사하게 목표를 설정하고 행동을 수정하는 데 중요한 기반을 제공할 것으로 기대됩니다.

자율주행차와 운전자 보조 기술이 사고와 부상을 줄인다는 연구 결과가 지속적으로 쌓이고 있습니다. 이에 따라 기술의 잠재적인 가능성 논의에서 실제 도로에서의 안전 효과에 대한 논의의 초점이 옮겨가고 있습니다.

미국 고속도로안전보험협회(IIHS)는 4개 도시의 주행 기록을 비교 분석한 결과를 발표했습니다. 이 비교 결과에 따르면 Waymo 무인 차량은 인간 운전자보다 더 안전한 주행 능력을 보였습니다.

이러한 연구 결과들은 자율주행 기술이 단순한 기술 발전을 넘어 실제 도로 환경에서 인명 안전에 기여하고 있음을 입증합니다. 앞으로도 실제 데이터를 기반으로 기술의 안전성을 평가하는 것이 중요해질 것입니다.

창업자의 급여 기준은 타인이 받는 금액을 따르기보다는 자신과 가족의 생활을 유지하면서 회사의 장기적인 성공에 집중할 수 있는 수준으로 설정되어야 합니다. 이는 단순히 현재의 소득 수준을 반영하는 것을 넘어, 창업자가 사업에 몰입할 수 있는 심리적, 경제적 여유를 확보하는 데 중점을 두어야 함을 의미합니다.

만약 생활비를 지나치게 줄여 개인 부채가 증가하거나 가족 간 갈등이 발생한다면, 이는 사업 지속성에 심각한 위협이 될 수 있습니다. 이러한 상황은 창업자가 사업을 일찍 포기하게 만들거나 만족스럽지 못한 인수 제안을 받아들이도록 유인하는 요인이 됩니다.

따라서 창업자는 급여 책정 시 개인의 안정성과 가족 관계, 그리고 회사의 장기적인 비전이라는 세 가지 요소를 균형 있게 고려해야 합니다. 재정적 압박이 사업의 성공을 저해하지 않도록 지속 가능한 급여 구조를 설계하는 것이 중요합니다.

어른들은 한때 아이였지만 그 기억을 간직하는 사람은 소수에 불과하다는 내용입니다. 이 글은 성인이 되면서 잃어버리거나 희미해진 어린 시절의 기억과 경험에 대해 성찰하는 주제를 다루고 있습니다.

우리는 종종 성인이 되면 과거의 경험들을 재해석하거나 새로운 관점으로 바라보게 되는데, 이러한 과정에서 어린 시절의 순수했던 기억들이 어떻게 변질되거나 망각되는지에 대한 질문을 던집니다. 이는 단순히 과거를 회상하는 것을 넘어, 시간의 흐름 속에서 개인의 정체성과 기억이 어떻게 변화하는지에 대한 깊은 철학적 논의를 담고 있습니다.

이 글은 개인의 기억과 시간의 관계를 탐구하며, 우리가 현재의 삶을 이해하기 위해 과거의 경험, 특히 어린 시절의 경험이 가지는 의미를 되돌아보도록 유도합니다. 따라서 독자들은 자신의 기억을 되짚어보며 성장의 과정과 기억의 본질에 대해 생각해 볼 수 있는 기회를 얻게 됩니다.

AI가 설계한 슈퍼바이러스에 대한 논의에서, 한 저자는 2029년의 가상 시나리오를 제시하며 청소년이 AI를 이용해 치명적인 바이러스를 설계하고 이를 살포하여 인구의 90%를 사망하게 하는 상황을 가정합니다. 하지만 이 시나리오가 현실성이 부족하다는 반론이 제기되며, AI를 이용한 생물학적 시스템 설계의 난이도와 실제 살포의 복잡성을 고려해야 한다는 지적이 나옵니다.

실제로 생물학적 시스템을 계산적으로 설계하는 것은 매우 어렵고, 대부분의 시도가 실패하거나 독성을 보이는 상황입니다. 따라서 가상의 시나리오와 현실 세계의 바이러스 설계 및 배포 사이에는 엄청난 간극이 존재하며, 단순히 완벽한 바이러스를 설계하는 것 외에도 이를 대규모로 조립하고 분배하는 과정이 비단순한 과제라는 점을 강조합니다.

또한, 바이러스의 위험성은 전염성과 치명성 사이의 상충 관계에 달려 있습니다. 예를 들어, 홍역 바이러스는 인체 간 전파가 어렵지만 에볼라 바이러스는 전염성이 높으며 숙주 체액 접촉을 통해 전파될 수 있습니다. 따라서 AI가 아무리 강력한 바이러스를 설계할 수 있다 하더라도, 전염성이나 치명성을 조절하는 생물학적 제약 조건이 존재합니다.

결론적으로, AI가 생물학적 무기를 설계할 수 있다는 가능성 자체는 존재하지만, 대규모 인류 멸종과 같은 실존적 위협으로 이어지기 위해서는 기술적 난이도, 생물학적 제약, 그리고 실제 배포의 복잡성을 모두 해결해야 합니다. 현재로서는 AI가 생물학적 보안 측면에서 더 큰 위협을 야기할 것이라는 우려는 과장된 것이며, 실제 위험은 다른 생물학적 문제에 더 집중해야 합니다.

여러 코딩 에이전트를 병렬로 실행할 수 있는 오픈소스 AI IDE가 등장했습니다. 이 IDE는 Claude Code, Codex, OpenCode, Cursor, Grok와 같은 다양한 AI 에이전트에게 서로 다른 작업을 동시에 맡기고, 그 진행 상황과 코드 변경 사항을 한곳에서 확인할 수 있도록 설계되었습니다.

이 도구의 핵심은 작업마다 별도의 Git 브랜치와 작업 디렉터리(worktree)를 생성하는 방식에 있습니다. 이를 통해 에이전트들이 서로의 파일을 덮어쓰지 않고 독립적으로 동시에 작업할 수 있게 되어 복잡한 멀티태스킹 환경에서 충돌 없이 효율적인 코딩이 가능해집니다.

이는 개발자가 여러 AI 도구를 활용하여 대규모 프로젝트를 진행할 때 발생하는 파일 충돌이나 작업 혼란 문제를 해결해 줍니다. 개발자는 각 에이전트의 작업 상태를 중앙에서 관리하면서도, 각 작업이 독립적으로 진행되도록 보장받을 수 있습니다.

결론적으로 이 IDE는 여러 AI 코딩 에이전트의 병렬 실행을 안전하고 효율적으로 관리하여 개발 생산성을 극대화하는 데 중점을 두고 있습니다.

웹 성능과 소프트웨어 개발 분야에서 알려진 Addy Osmani가 Anthropic에 합류한다고 발표했습니다. 그는 Claude Code를 개발자들이 더 효과적으로 사용할 수 있도록 개선하는 역할을 맡게 되었습니다.

Osmani는 Google에서 14년 이상 근무하며 웹 성능 관련 전문성을 쌓았습니다. 특히 Chrome, DevTools, Lighthouse, Core Web Vitals 등 웹 개발 도구와 성능 측정 분야에서 깊은 경험을 가지고 있습니다.

이러한 배경을 바탕으로 그는 Anthropic에서 AI 코드 도구의 사용자 경험을 개선하는 데 기여할 예정입니다. 이는 개발자들이 AI 기반 코드를 다루는 데 있어 실질적인 개선을 이끌어내는 데 중요한 역할을 할 것으로 보입니다.

소프트웨어 개발자들이 인간이 작성한 코드를 찾을 수 있도록 돕는 프로젝트 목록인 clankerfree가 주목받고 있습니다. 이 사이트는 생성형 AI나 대규모 언어 모델(LLM) 기술을 포함하거나 활용하지 않았다고 제작자가 자체 확인한 프로젝트들을 모아 놓은 목록입니다.

이 목록은 소프트웨어의 출처와 제작 방식을 투명하게 확인하고자 하는 개발자들에게 중요한 기준을 제공합니다. 프로젝트가 인간의 노력으로 작성되었는지, 그리고 AI 기술의 사용 여부를 명확히 구분하여 확인할 수 있게 합니다.

프로젝트가 clankerfree에 등재되기 위해서는 제작자가 자신의 AI 비사용 선언을 바탕으로 하며, 사이트가 오픈소스로 인정하는 라이선스를 사용해야 합니다. 이는 소프트웨어의 윤리적 사용과 투명성을 보장하기 위한 기준이 됩니다.

2026년 9월 9일에 열린 Apple 이벤트에서 iPhone Duo와 iPhone 18 Pro를 포함하여 Apple Watch Series 12·Ultra 4, AirPods 5가 공개되었으며, 이들 제품은 디스플레이, 카메라, 건강 감지, 운동 추적, 음향 성능 전반에 걸쳐 개선 사항을 선보였습니다. 특히 iPhone Duo는 역대 iPhone 중 가장 큰 디스플레이를 특징으로 하며, 사용자가 디스플레이를 접거나 각도를 조절하여 세워둘 수 있는 혁신적인 구조를 갖추고 있습니다.

이번 공개를 통해 새로운 하드웨어와 소프트웨어 통합이 이루어졌으며, 이는 사용자 경험을 향상시키는 데 중점을 두고 있습니다. 개선된 기능들은 단순히 외형적인 변화를 넘어, 디스플레이 품질과 카메라 성능, 그리고 건강 감지 및 운동 추적 기능의 정밀도를 높이는 데 초점을 맞추고 있습니다.

개발자 관점에서 볼 때, 이러한 하드웨어 개선은 새로운 API 및 펌웨어 레벨의 통합을 요구할 것으로 예상됩니다. 특히 iPhone Duo의 독특한 디스플레이 구조와 향상된 센서 데이터 처리는 새로운 인터페이스 설계와 데이터 처리 방식에 대한 기술적 논의를 촉발할 것입니다.

인간의 생각과 경험을 접할 시간이 부족하다는 이유로, 필자는 인공지능 생성물과의 모든 상호작용을 거부하고 이를 전달하거나 논거로 사용하는 사람과의 교류도 중단한다는 개인 원칙을 세웠습니다. 이는 AI가 제공하는 정보나 논증이 인간의 깊은 사고 과정을 대체하거나 오염시킬 수 있다는 우려에서 비롯된 것입니다.

필자는 글쓰기가 생각을 정리하는 과정임을 강조하며, 매끄럽게 생성된 문장보다 오류가 있더라도 사람이 직접 정리하는 과정을 중요하게 생각합니다. 따라서 완벽하게 매끄러운 생성문보다는 인간의 사고 과정을 반영하는 글쓰기의 본질에 집중해야 한다고 주장합니다.

이러한 원칙은 AI 기술의 발전 속에서 인간의 고유한 사고와 경험의 가치를 보존하고, 정보 소비와 소통 방식에 대한 윤리적 기준을 제시한다는 점에서 주목할 만합니다. AI와의 상호작용을 최소화하고 인간 중심의 사고 과정을 우선시하려는 시도는 기술과 인간의 관계에 대한 새로운 관점을 던져줍니다.

AI 연구 스타트업 리슨 랩스가 세일즈포스와의 인수 논의로 인해 15억 달러 규모의 펀딩 라운드를 철회했습니다. 리슨 랩스는 음성 AI를 사용하여 고객 인터뷰를 수행하는 시장 조사 스타트업으로, 이들은 세일즈포스(CRM 거대 기업)가 리슨 랩스를 약 20억 달러에 인수하는 방안을 논의하고 있었습니다.

이러한 펀딩이 결렬된 것은 인수 협상이 최종적으로 성사되지 않았기 때문이며, 이는 벤처 업계에서 드문 상황입니다. 리슨 랩스는 고객의 니즈를 예측하고 연구하는 AI 기술을 개발하며, 이 기술은 전통적인 시장 조사보다 시간과 비용을 절감하는 데 중점을 둡니다.

만약 세일즈포스와의 협상이 무산될 경우, 투자자들은 리슨 랩스가 20억 달러 이상의 가치를 목표로 시장에 복귀할 것으로 예상하고 있습니다. 리슨 랩스는 현재 연간 약 3천만 달러의 매출을 올리고 있으며, 경쟁사인 시마일(Simile)과 같은 다른 AI 기반 고객 연구 스타트업들과 경쟁하고 있습니다.

거대 언어 모델은 유사한 행동을 학습하지만, 이들이 공유하는 구조나 한 행동을 다른 행동에 영향을 주지 않고 변화시키는 방법을 이해하는 것은 여전히 불분명합니다. 이러한 질문에 답하기 위해 다음 토큰 확률의 피셔-라오 기하학이 사용됩니다. 행동은 출력 보존 대칭까지 이 기하학을 결정하는 반면, 활성화 기하학은 좌표에 의존합니다.

트랜스포머, 상태 공간 모델, 순환 모델 전반에 걸쳐 출력 기하학이 활성화 기하학보다 더 강하게 일치하며, 공유된 기하학은 의미-범주 전이를 지원합니다. 인간의 단어 선택과의 일치도는 예측 정확도, 규모, 훈련에 따라 증가하며 모델 자체 보정 후 더욱 개선됩니다. 토큰 확률과 출력 기하학은 스펙트럼과 그 유효 차원을 함께 예측합니다.

이 기하학은 언어 법칙을 모든 아키텍처에 걸쳐 따르며, 사전 훈련 코퍼스 통계는 재보정 없이 홀드아웃 사실 습득을 예측합니다. 또한, 이 기하학은 최소 방해 국소 개입을 규정하고 그 상대적 비용을 예측하며 재사용 가능한 제어를 지원합니다. 이는 도너 프롬프트에서 학습된 업데이트가 보존 프롬프트에서 행동을 더 잘 보존하면서 보편적인 제어보다 우수한 방식으로 이전됨을 의미합니다.

이러한 기하학적 보정은 조향, 편집, 귀인, 사전 학습, 미세 조정 등 다양한 작업에서 개선을 가져옵니다. 즉, 모델의 내부 기하학을 이해하고 제어함으로써 LLM의 행동을 더 효과적으로 관리하고 지식을 전이시키는 데 기여합니다.

재귀적 자기 개선(RSI)은 AI 시스템이 경험과 피드백을 지속적인 변화로 전환하여 능력과 미래 개선 과정 모두를 향상시키는 것을 의미합니다. 연구는 먼저 헤드룸-클로즈 인덱스(HCI)를 사용하여 기존 LLM의 문제점을 드러낸 다음, RSI 개념과 그 개발 로드맵을 제시합니다.

이 로드맵은 개선 실행 자율성, 개선 전략 자율성, 경험 획득 자율성, 환경 적응 자율성에서 시작하여 재귀적 메타 개선으로 나아가는 단계를 포함합니다. 연구자들은 이러한 자율성 수준을 통해 AI가 스스로 개선하는 능력을 발전시키는 방법을 탐구합니다.

또한 연구는 과학적 발견, 체화된 지능, 소프트웨어 공학 등 다양한 시나리오에 걸쳐 RSI를 검토하며 각 분야가 요구하는 고유한 조건과 개발 속도를 강조합니다. 다양한 산업 관행과 예비 실증적 증거를 바탕으로 RSI 연구를 실제 시스템과 연결하고 진정한 RSI를 달성하기 위한 핵심 과제들을 식별합니다.

AI 에이전트의 권한 통제에 형식 방법(Formal Methods)을 적용하여 시스템의 신뢰성을 확보하는 연구 결과가 발표되었습니다. 이는 에이전트가 장기적이고 자율적인 연구 작업을 수행할 때, 개별 에이전트의 정책이 전체 시스템의 권한을 초과하지 않도록 보장하는 새로운 통제 메커니즘을 구축하는 데 중점을 둡니다.

에이전트가 인터넷 접근, 보안 도구 사용, 코드 저장소 접근 등 여러 자원에 접근해야 하는 규모가 커지면서, 개별적인 권한 검토 방식으로는 시스템 전체의 의도를 보장하기 어렵다는 문제가 발생했습니다. 연구팀은 이러한 문제를 해결하기 위해 Z3과 같은 형식 검증 도구를 사용하여 에이전트 시스템의 정책에 대한 수학적 증명을 수행하는 방법을 개발했습니다.

이러한 형식 방법은 에이전트가 특정 행동을 수행할 때 발생할 수 있는 잠재적인 의도치 않은 권한 조합을 사전에 식별하고 차단하는 데 사용됩니다. 예를 들어, 에이전트가 샌드박스를 우회하여 파일에 접근하는 시도를 포착하고, 네트워크, 파일, 자격 증명 접근 간의 복잡한 상호작용을 분석하여 정책 준수 여부를 검증합니다.

결론적으로, 형식 방법은 에이전트의 행동을 감사하고 신뢰성을 구축하는 데 필수적인 도구이며, 이는 장기적이고 확장되는 AI 에이전트 시스템을 안전하게 거버넌스하는 데 중요한 기반을 제공합니다.

복잡하고 혼잡한 조작 장면에서 3차원 포인트 클라우드 관측은 대상 객체가 부분적으로 가려지거나 시각적으로 유사한 방해물과 밀접하게 얽혀 있어 본질적으로 모호합니다. 따라서 표준 3차원 확산 정책은 장면의 복잡성이 증가함에 따라 작업 관련 기하학적 정보를 국소화하고 활용하는 데 어려움을 겪습니다.

이에 본 논문은 어텐션을 통해 객체 수준의 기하학적 단서를 주입하면서 DP3 확산 백본은 유지하는 공간 객체 인식 3차원 확산 정책인 Attention-DP3를 제안합니다. 이 파이프라인은 RGB 이미지에 대해 오픈 보캐뷸러리 2D 분할을 수행한 후, 보정된 카메라 기하학을 사용하여 예측된 타겟 마스크를 3차원으로 끌어올려 객체 중심의 기하학적 사전 정보를 얻습니다.

이러한 단서는 세 가지 상호 보완적인 필드를 구성하는 삼중 필드 어텐션 조건화(Tri-field Attentional Conditioning)를 통해 통합됩니다. 이는 타겟 객체를 고정하는 타겟성 필드, 타겟 내의 작업 관련 기하학을 강조하는 내부 타겟 시각 필드, 그리고 방해물과 혼잡을 억제하는 배경성 필드를 포함합니다.

Adroit, DexArt, MetaWorld 및 실제 SO101 플랫폼 실험 결과, Attention-DP3는 DP3보다 일관되게 성능을 향상시키며 벤치마크 전반에서 최고 성능을 달성했습니다. 특히 방해물 객체가 증가할수록 DP3는 급격히 성능이 저하되는 반면, Attention-DP3는 안정적으로 유지되며 심한 혼잡 상황에서 DP3보다 최대 31% 더 나은 성능을 보였습니다.