읽을 가치가 있는 기사만, 짧고 또렷하게.

텍스트-이미지 생성 모델이 발전함에 따라 폭력이나 노출과 같은 부적절한 콘텐츠(NSFW) 생성 문제가 심화되고 있으며, 이는 적대적 공격(red-teaming adversarial attacks)에 의해 더욱 악화되고 있습니다. 기존의 방어책들은 주로 모델 내부 접근이 가능한 화이트박스 가정에 의존하여 텍스트 인코더 최적화나 가중치 편집 등을 사용하지만, 독점 모델에는 적용하기 어렵다는 한계가 있습니다.

LLM 프롬프트 재작성을 기반으로 한 블랙박스 대안들도 존재하지만, 모델이 학습한 데이터 분포 때문에 언어적으로 안전한 프롬프트임에도 유해한 생성을 유발하는 '양성 적대적 문제(benign adversarial problem)'에서는 효과를 보지 못합니다. 이에 연구진은 모델의 내부 접근 없이 프롬프트 수준에서 작동하는 제로샷 블랙박스 방어책인 DiSCO를 제안했습니다.

DiSCO는 모델 재학습이나 내부 정보 접근 없이 프롬프트 레벨에서 플러그 앤 플레이 모듈로 작동하며, 분포 가이드된 접미사 확장을 빔 서치(beam search)를 통해 수행합니다. DiSCO는 모델이 생성한 안전 및 비안전 이미지 풀에 대한 대조적 점수를 통해 반복적인 적응형 피드백을 거쳐 안전한 콘텐츠가 생성될 때까지 과정을 반복합니다.

실험 결과, DiSCO는 다중 적대적 공격 하에서 I2P 벤치마크에서 방어된 모델과 방어되지 않은 모델 모두의 안전성을 일관되게 향상시켰으며, 각각 37.7%와 25.13%의 ASR(Adversarial Safety Reduction) 감소를 달성했습니다. 이 과정에서 의미적 충실도를 유지하고 이미지 일관성을 개선했습니다. DiSCO는 모델 자체에 어떠한 변경도 필요 없이 모든 텍스트-이미지 시스템에 적용 가능한 아키텍처에 구애받지 않는 블랙박스 모듈입니다.

거대 언어 모델에서 지식 활용을 개선하는 방법은 크게 비매개적 검색, 매개변수 적응, 그리고 엔그램 스타일의 해시 메모리 세 가지 방식으로 나뉩니다. 엔그램 스타일 메모리는 외부 주소 지정 가능한 테이블에 학습된 정보를 저장하고 작은 학습된 리더를 통해 이를 소비하는 중간 영역에 속합니다. 연구는 이러한 메모리를 다른 백본으로 이동할 때, 고정된 메모리 자체와 대상 측 리더 중 무엇이 더 중요한지에 대한 질문을 탐구합니다.

연구진은 소스 모델에서 학습된 메모리를 고정하고 경량 리더만을 학습시켜 다른 대상 모델에 연결하는 크로스-모델 고정 메모리 추출 방법을 사용했습니다. 실험 결과, 학습된 메모리 내용과 올바른 주소 지정 모두 중요하지만, 전송된 테이블은 대상 모델에 정렬된 리더를 통해서만 유용하다는 것을 보여줍니다.

이러한 접근 방식을 통해 이중 레이어 네 갈래 리더를 사용한 결과, 동일 모델 및 크로스-모델 재사용 간의 격차를 거의 해소하며 평균 38.8점을 달성했습니다. 또한, 제공자 리더가 대상 인터페이스와 직접 호환될 경우 대상 측 학습 없이도 고정된 결과물을 상당한 유용성을 제공할 수 있습니다.

결론적으로 엔그램은 호환되는 리더 인터페이스에 대상이 접근할 수 있다면 재사용 가능한 외부 지식 자산으로 기능할 수 있습니다. 직접적인 리더 재사용이 불충분할 경우 대상 측 적응을 통해 정렬을 더욱 개선할 수 있습니다.

통합 이미지 복원(UIR)은 다양한 손상 정도를 가진 저품질(LQ) 이미지에서 고품질(HQ) 콘텐츠를 단일 모델로 복원하는 것을 목표로 합니다. 기존의 많은 방법들은 강력한 용량과 생성적 사전 지식을 활용하기 위해 대규모 사전 학습된 텍스트-이미지(T2I) 잠재 확산 모델을 사용하지만, 잠재 T2I 모델의 VAE는 복원 민감한 세부 정보를 버릴 수 있으며, 개방형 합성 사전 지식은 내용 불일치한 인공물(artifact)을 도입할 수 있습니다.

이에 본 논문은 T2I 사전 학습에 의존하지 않고 확산 백본을 완전히 처음부터 훈련하는 VAE-프리 픽셀 공간 확산 트랜스포머(DiT)인 PixRestore를 제안합니다. PixRestore는 패치화된 픽셀에 직접 흐름 매칭을 수행하여 세밀한 디테일을 보존하면서 토큰 시퀀스를 관리하기 용이하게 합니다. 또한, 다양한 손상에 적응하기 위해 LQ-HQ DINO 특징 유사도를 사용하여 레이어 특징의 신뢰도를 예측하고, 신뢰도가 높은 레이어의 특징을 융합하거나 손상 제거를 장려하기 위해 덜 신뢰할 수 있는 레이어에 더 강한 HQ 특징 감독을 제공합니다.

PixRestore는 대규모의 다양한 장면 및 손상 코퍼스를 사용하여 훈련되었으며, DINO 기반 적대적 목표를 통해 효율적인 추론을 위해 단일 단계 생성기로 추가 미세 조정되었습니다. 실험 결과, PixRestore는 약 50M개의 파라미터와 단일 단계 추론만으로도 경쟁 UIR 모델들 중에서 최고의 전반적인 충실도, 지각적 품질, 손상에 대한 견고성을 달성하며 훨씬 더 효율적입니다. 더 큰 PixRestore 변형 모델은 성능을 더욱 향상시켜 픽셀 공간 설계의 확장 가능성을 입증합니다.

프론티어 오픈 웨이트 모델이 증가하고 있음에도 불구하고, 모델 서빙은 여전히 데이터센터 인프라에 크게 의존하고 있습니다. 이에 FreeToken은 개인 기기를 단순한 GPU가 아닌 통일되고 탄력적인 추론 플랫폼으로 간주하는 엣지 네이티브 MoE 서빙 시스템을 제시합니다.

FreeToken은 모델 레이아웃, 로딩, 전문가 거주(expert residency), CPU-GPU 실행, 에이전트 상태 재사용, 런타임 메모리 관리 등 전체 서빙 스택을 공동 설계합니다. 이는 에이전트 작업 부하가 지속적으로 변화하고 기기마다 이질적인 자원의 균형이 달라지는 로컬 AI 환경이라는 두 가지 현실을 반영합니다.

이 시스템은 고정된 오프로딩 전략 대신, 계산과 모델 상태를 실제로 사용 가능한 자원에 지속적으로 매핑하여 처리합니다. FreeToken은 8GB 노트북 GPU부터 단일 워크스테이션 GPU까지 다양한 하드웨어에서 20개 이상의 MoE 모델과 실제 코딩 및 도구 사용 에이전트를 지원합니다.

가장 중요한 점은 이 기술이 기기가 실제로 제공할 수 있는 것을 변화시킨다는 것입니다. 이를 통해 노트북에서 35B 모델을, 게이밍 데스크톱에서 284B 모델을, 심지어 단일 워크스테이션 GPU에서 753B GLM-5.2 모델을 구동할 수 있게 됩니다. FreeToken은 오픈 웨이트 모델을 배포 가능한 로컬 소프트웨어로 전환하여 사용자가 소유한 기기를 프론티어급 지능을 위한 실용적인 플랫폼으로 만듭니다.

그래프 신경망을 통일된 레이어 방정식으로 통합하여 다양한 구조적 차이와 공유 계산을 명시적으로 표현하는 새로운 프레임워크를 제안합니다. 이 방정식은 업데이트 도메인, 채널 집합, 전파 뱅크, 채널별 메시지 맵, 채널 융합 연산자, 에고/잔차 맵, 업데이트 맵 등 총 일곱 가지 구성 요소로 이루어져 있습니다.

중심적인 분해는 정보가 이동하는 위치를 인코딩하는 전파 뱅크와 실제로 이동하는 정보를 인코딩하는 메시지 맵을 분리하여 표현합니다. 이 방정식은 국소 메시지 전달, 어텐션, 스펙트럼 필터링, 전역 통신, 관계별 채널, 고차원 도메인, 기하학적 메시지 등 다양한 개념으로 확장될 수 있습니다.

연구진은 이 통합을 일곱 가지 비독점적인 아키텍처 패밀리에 걸쳐 표준 레이어의 작업된 축소 및 구성 요소 할당을 통해 검증했습니다. 이 프레임워크는 200개 이상의 아키텍처를 공통 설계 공간으로 정리하며, 구성 요소별 비교 및 구조적으로 일관된 아키텍처 생성 능력을 제공합니다.

나아가 이 방법은 전파 선택을 오버스무딩, 오버스퀘이싱, 이질성, 표현력과 연결하고, 측정 가능한 그래프 및 작업 속성을 검증된 구성 요소 선택으로 매핑하는 경험적 역문제도 제시합니다.

대규모 언어 모델(LLM) 에이전트를 복잡한 상호작용 환경에 배포하기 위해서는 신뢰할 수 있는 불확실성 정량화(UQ)가 필수적입니다. 기존의 UQ 방법들은 토큰 확률, 예측 엔트로피, 단계별 신뢰도와 같은 국소적인 신호에 주로 의존하여 실행 궤적 전반에 걸쳐 오류가 누적되는 장거리 의존성을 간과합니다. 이로 인해 에이전트의 실패 원인이 최종 답변보다 여러 추론 또는 상호작용 단계 전에 발생했을 경우 이를 식별하지 못하는 한계를 가집니다.

이에 연구진은 LLM 에이전트를 위한 궤적 수준의 UQ 프레임워크인 RUPA(Relational Uncertainty Propagation for Agents)를 제안했습니다. RUPA는 실행 이력을 방향성 궤적 그래프로 표현하며, 추론 상태, 도구 상호작용, 환경 피드백을 노드로 하고 시간적 및 의미적 의존성 간선으로 연결합니다. 이 프레임워크는 그래프 전체에 불확실성을 전파하여 실행 위험이 상호작용 단계 전반에 걸쳐 어떻게 축적되고 전달되는지를 포착합니다.

RUPA는 전파된 신호를 궤적 수준의 행동 특징 및 목표 정렬 정보와 결합하여 전체 에이전트 궤적에 대한 신뢰도 추정치를 산출합니다. 6개의 오픈소스 LLM을 사용하여 τ-2, Terminal-Bench-2, GAIA 등 대표적인 에이전트 벤치마크에서 평가한 결과, RUPA는 기존의 UQ 방법들보다 더 정확한 불확실성 추정치를 제공하며, 조기 실패 감지를 가능하게 하고 다양한 에이전트 작업에서 불확실성 기반 에이전트 실행을 개선했습니다.

이러한 실험 결과는 장기 에이전트에게 신뢰할 수 있는 UQ를 위해서는 관계적 의존성을 명시적으로 모델링하는 것이 결정적으로 중요함을 보여줍니다. 이는 신뢰할 수 있는 에이전트 실행을 위한 실용적인 기반을 제공합니다.

스트리밍 비디오 이해는 영상이 전개되는 원인적으로 관찰된 접두사로부터 직접적인 응답을 요구합니다. 기존 시스템들은 추론 시 메모리, 검색, 압축을 추가하지만, 이미 학습 없이 슬라이딩 윈도우 기반의 기준선이 이를 따라잡고 있습니다. 연구진은 이러한 배경에서 메모리 없는 최근 윈도우 프로토콜을 고정하고, 학습 후 성능 향상을 측정하는 방법을 탐구했습니다.

이러한 관찰을 바탕으로 연구진은 검증 가능한 스트리밍 비디오 데이터, 생각 모드(thinking mode)의 온-폴리 디스틸레션(OPD), 그리고 지시 모드(instruct mode) 배포를 결합한 StreamOPD라는 레시피를 제시했습니다. StreamOPD는 StreamingBench 점수를 77.9%에서 83.9%로, 9B 교사 모델 대비 0.3점 이내로 향상시켰으며, 환각 탐지 하위 작업(HLD)를 제외한 OVO-Bench 점수를 9.1점 향상시켰습니다.

특히 Spatio-Temporal CueGate(ST-CueGate)라는 교사 특권 확장 기능을 통해 신호 대 무신호 교사 가능성 비율을 그룹 상대 응답 점수로 집계하여 OPD를 재가중합니다. 이 방법은 OVO-Bench(HLD 제외)에서 71.9%, Video-MME에서 64.9%의 성능을 달성하며, 네 가지 벤치마크 모두에서 기본 모델보다 높은 성능을 유지하는 유일한 변형이 되었습니다.

또한, 교사를 학생 정책의 고정 복사본으로 대체하는 온-폴리 자기 디스틸레션(on-policy self-distillation)을 적용하면 대부분의 성능 향상을 유지하면서 HLD 점수를 57.0%로 끌어올려, 이 레시피가 추론 과정에서 발생한 손실에 내재되어 있지 않음을 입증했습니다. 이는 오픈 소스 스트리밍 비디오 연구를 위한 투명하고 재현 가능한 참조를 제공합니다.

Prior Labs는 관계 학습 분야의 연구를 가속화하기 위해 세 가지 소프트웨어를 오픈 소스로 공개하며 오픈 사이언스에 대한 지속적인 노력을 보여주었습니다. 이들은 커뮤니티의 피드백을 바탕으로 개발을 진행하며, 초기 단계의 개발이기에 알파 버전은 연구자와 조기 채택 실무자들을 대상으로 합니다.

RelArena-α는 TabArena와 같은 기존 표 형식 벤치마크에서 영감을 받아 데이터 로딩, 평가 프로토콜, 튜닝 체제 등을 표준화하여 RelBench v1에서 기준 모델을 실행하고 비교할 수 있는 통합 프레임워크를 제공합니다. 이 프레임워크를 통해 관계 학습 방법론을 비교하고 발전시킬 수 있는 기반이 마련되었습니다.

또한, RelArena-α에서 현재 최고 순위를 차지하는 모델인 TabPFN-Rel이 RDBLearn을 개선하여 관계형 데이터베이스를 단일 테이블로 평탄화하는 것이 실제 작업에서 전문화된 관계형 아키텍처만큼 경쟁력이 있음을 입증했습니다. 연구와 산업에서 관계 학습 방법론의 채택을 촉진하기 위해 Prior Labs는 Relational Predictive Interface(RPI)의 초기 알파 버전을 공개했습니다.

RPI는 모델에 구애받지 않는 오픈 소스 인터페이스로, 조기 채택자들이 새로운 데이터베이스에 문제를 쉽게 정의하고 RelArena-α에서 구현된 모델, 예를 들어 TabPFN-Rel을 이러한 문제에 적용할 수 있도록 지원합니다.

모션 언어 모델(MoLM)은 일반적으로 3차원 모션을 토큰화하여 언어 모델로 처리함으로써 인간의 움직임을 이해합니다. 그러나 모노큘러 비디오에서 정확한 3차원 모션을 얻는 것이 어렵기 때문에 실제 환경에서의 적용 가능성이 제한되어 왔습니다.

이 문제를 해결하기 위해 본 연구는 3차원 사전 학습된 MoLM이 원본 모델을 수정하거나 미세 조정하지 않고 2차원 모션 입력을 받을 수 있게 하는 플러그 앤 플레이 2차원 모션 인터페이스를 제안합니다. 공개 데이터셋 실험 결과, 이 방법은 여러 MoLM에 걸쳐 3차원 모션 입력과 유사한 성능을 달성했으며, 2차원 모션으로 MoLM을 처음부터 학습하는 것보다 더 우수한 성능을 보였습니다.

연구진은 또한 모노큘러 실제 비디오 모션 평가 데이터셋을 구축하고 실제 비디오 어댑터를 도입하여 평가했습니다. 이 결과는 평가된 모노큘러 자세 추정 설정에서 3차원 모션보다 2차원 모션이 더 유용하다는 것을 입증합니다.

결론적으로 2차원 모션은 실제 환경의 모션 이해 설정에서 MoLM을 배포하기 위한 실용적인 인터페이스를 제공합니다. 관련 코드는 GitHub에서 확인할 수 있습니다.

인스트럭션 기반의 일반 비디오 편집은 다양한 편집 작업을 단일하고 직관적인 인터페이스 내에서 통합하는 것을 목표로 합니다. 기존 접근 방식들은 무거운 분기나 비용이 많이 드는 소스 연결을 사용하여 리소스 집약적인 조건화에 의존해 왔습니다. 이러한 비효율성을 해결하기 위해 본 연구는 GRNEdit이라는 경량의 2단계 프레임워크를 제안합니다.

GRNEdit은 시각적 의미를 비트 조합으로 인코딩하여 접근하며, 편집 의미를 개별 비트에 대한 로컬 유지 또는 반전 결정으로 재구성합니다. 소스 정보는 관찰된 이진 상태를 뒷받침하는 좌표별 증거로 모델링되며, GRN 백본은 이 증거들을 일관된 생성적 의미로 해결하는 역할을 담당합니다. 특히, 분류 불필요 가이드(classifier-free guidance)를 위한 널 프롬프트 훈련에서 영감을 받아, 편집 관련 의미를 부여하여 소스 재구성을 통해 증거 활용과 콘텐츠 보존을 강화하는 정체성 경로를 도입했습니다.

1단계에서는 압축된 인코더가 이산적인 소스 코드를 연속적인 증거 신호로 변환하고, GRN은 이 신호를 이진 정제 과정 전체에서 흡수합니다. 2단계에서는 편집된 상태를 소스 보존 상태와 직접 비교하여 불확실한 타겟 비트 결정을 수정합니다. 이 방법은 단 0.6M 쌍과 3% 미만의 조건화 매개변수로 훈련되었으며, GRNEdit-2B와 GRNEdit-8B 모델은 OpenVE-Bench에서 각각 4.03과 4.18의 점수를 달성했습니다.

2B 모델은 여러 14B 오픈소스 편집기보다 우수한 성능을 보였으며, 8B 모델은 선도적인 오픈소스 편집기들과 동등한 성능을 나타냈습니다. 이는 GRNEdit이 효율적인 방법으로 비디오 편집 의도를 모델링하고 소스 정보를 활용하여 생성적 정제 네트워크의 성능을 향상시킬 수 있음을 보여줍니다.

다중 참조 이미지 생성에 대한 기존 벤치마크는 "주제 구성"과 같은 미리 정의된 작업 유형을 중심으로 구성되어 있어 조합적 설정에 부적합하며, 이는 데이터의 파편화와 복잡성 통제 불능, 그리고 진단 가치 부족을 초래합니다. 이러한 문제를 해결하기 위해 다양한 다중 참조 작업이 공통의 기본 연산(atomic operations)을 공유한다는 관점에서 네 가지 연산자, 즉 Anchor(f), Disentangle(g), Apply(oplus), Compose(C)를 형식화했습니다.

이러한 형식화를 통해 다중 참조 프롬프트는 이 연산자들 위에서 구성된 공식(compositional formula)으로 표현될 수 있으며, 이 공식의 구조적 복잡성은 연산자 슬롯의 수로 정량화됩니다. 이를 기반으로 TRACE-Bench라는 평가 벤치마크를 구축했는데, 이는 1~8 슬롯에 걸쳐 약 1,600개의 평가 사례와 631개의 공식 템플릿, 그리고 다양한 예술 스타일과 실제 주제를 포괄하는 약 4,000개의 참조 이미지를 포함합니다.

TRACE-Bench는 공식 구조를 활용하여 각 역량별 점수를 산출하는 연산자 정렬 평가 프로토콜과 재귀적 실패 위치를 파악하는 진단 트리 분석을 제공합니다. 9개의 선도 모델을 평가한 결과, 전체적인 점수보다 분리(g)와 속성 바인딩(oplus)이 장면 수준 구성(C)보다 주요 병목 현상임을 밝혀냈습니다. 심지어 최고 모델조차도 속성 충실도(attribute fidelity)에서 0.74점만을 기록하는 등, 전체적인 평가에서 파악하기 어려운 세부적인 병목 현상을 드러냅니다.

경계 표현(B-Rep) 생성은 컴퓨터 지원 설계에서 근본적인 작업이지만, 고충실도와 구조적으로 유효한 B-Rep를 직접 합성하는 것은 여전히 주요한 도전 과제입니다. 기존의 딥 생성 방법들은 잠재 공간에서 패딩 노이즈와 특징 오염으로 인한 표현의 취약성과, 비미분 가능한 유효성 강제 때문에 발생하는 순차적 오류 전파 및 학습-추론 불일치로 인한 생성의 취약성이라는 두 가지 형태의 취약점을 겪고 있습니다.

이에 연구진은 이러한 한계를 해결하기 위해 HiFi-BRep이라는 새로운 프레임워크를 제안했습니다. 이 프레임워크는 두 가지 시너지를 통해 문제를 해결하는데, 첫째는 위상 인식 인코더를 사용하여 학습 가능한 쿼리를 통해 패딩을 제거하고 위상 가이드 어텐션을 통해 특징 오염을 방지하여 고충실도 잠재 표현을 구축합니다.

둘째는 단일 단계 디코더를 통해 기하학과 위상을 병렬로 예측하며, 핵심 다양체 제약 조건을 미분 가능한 학습 목표로 내재화합니다. 이러한 설계는 기하학과 위상 간의 상호 가이드를 보장하면서도 오류가 연쇄적으로 발생하는 것을 방지합니다.

실험 결과, HiFi-BRep은 구조적 유효성과 기하학적 충실도 모두에서 최신 방법들을 크게 능가하며 고품질 B-Rep 합성을 위한 강력한 해결책을 제공합니다. 해당 코드와 모델은 GitHub에서 공개되어 있습니다.

그룹 상대적 이점을 이용한 강화 학습(RL)은 사전 훈련된 언어 모델 추론을 위한 표준이 되었지만, 여러 보상 목표를 최적화할 때 기존 방법들은 그룹별 표준화 전에 보상 벡터를 고정된 가중 합으로 스칼라화하는 방식을 사용합니다. 이러한 설계는 서로 다른 보상 프로파일을 가진 롤아웃이 동일한 이점을 받을 수 있으며, 모든 목표가 현재 포화도 수준에 관계없이 고정된 상대적 가중치로 최적화되는 두 가지 근본적인 문제를 야기합니다. 결과적으로 훈련은 더 많은 여유 공간을 가진 목표에 집중하기보다 이미 해결된 목표에 기울기 예산을 계속 할당하게 됩니다.

이에 우리는 다중 보상 정책 최적화를 위한 포화 인식 이점 재가중화(SA-MRPO)를 제안합니다. 이 방법은 각 보상 목표를 독립적으로 표준화하고 배치 수준의 목표 포화도 추정에 따라 그 기여도를 적응적으로 할인합니다. 이는 최적화 노력을 덜 최적화된 목표로 동적으로 재분배하면서도 이미 잘 만족된 목표에 대한 성능을 유지합니다.

SA-MRPO는 수학적 추론과 두 가지 및 세 가지 보상 조합에서 GDPO보다 어려운 정확성 목표를 15개 벤치마크 중 12개에서 개선하며, AIME24에서는 최대 5%의 향상을 보였습니다. 또한 적응형 추론에서는 모든 5개 벤치마크에서 평균 3.8%, AMC23에서는 최대 9.2%의 정확도를 개선했으며, 코딩 벤치마크에서는 합격률을 최대 2.3% 향상시켰습니다. 이 모든 설정에서 이미 만족된 목표들의 성능은 그대로 유지됩니다.

인터넷에 대한 즐거움이 사라진 이유에 대해 글쓴이는 콘텐츠의 질적 저하와 인공지능(LLM)의 확산 때문이라고 지적합니다. 과거 인터넷은 메시지 보드나 블로그를 통해 의미 있는 지식 공유와 연결을 제공했지만, 오늘날에는 수익화와 낮은 품질의 콘텐츠가 질 좋은 아이디어를 대체하고 있습니다.

글쓴이는 이 현상을 '이솔라(isolas)'와 '페일(pale)'이라는 비유로 설명합니다. 이솔라는 고품질의 생각과 사람들을 담고 있는 영역이지만, 페일은 정보가 점차 퇴화하는 영역으로, AI가 생성한 낮은 품질의 콘텐츠가 대부분을 차지하며 이 페일이 너무 빠르게 확장되어 지적 능력을 저하시킨다고 말합니다.

특히 인스타그램, 틱톡, X와 같은 단편 콘텐츠는 집단 사고와 군집 심리를 자극하여 지적 게으름을 유발하며, 이는 정보의 질을 떨어뜨립니다. 또한, 해커 뉴스 같은 장문 콘텐츠조차도 LLM이 작성한 내용이 많아져 글쓴이는 더 이상 독서를 즐기지 않게 되었습니다.

더 나아가, 동료들이 LLM 결과물을 공유하는 환경에서는 협업 과정에서 신뢰가 무너지고 연결감이 사라지기 때문에 업무 환경에서의 소통 문제도 심각해졌습니다. 글쓴이는 이러한 상황에서 LLM 작성을 자신의 것으로 여기는 것이 무례하다는 사회적 합의가 필요하지만, 현재로서는 그럴 가능성에 대해 회의적입니다.

평가 벤치마크는 단순한 점수 이상의 신뢰성을 제공해야 하며, 그 점수를 정당화하는 추론 과정이 필수적입니다. 특히 월드 모델 평가에서는 물리 법칙, 인과 관계, 세계 상태가 올바르게 변화했는지 이해해야만 평가의 신뢰성을 확보할 수 있습니다. 현재 존재하는 벤치마크들은 측정치를 무작위로 계산하여 추론 체인을 제공하지 않아 인간이 발견하는 오류를 자동화하지 못하고 있습니다.

이에 연구진은 LLM 생태계에서 가져온 하네스(harness) 패러다임을 월드 모델 벤치마킹으로 확장한 에이전트 기반 평가 파이프라인인 HarnessEval-W를 소개합니다. 이 방법은 고정된 평가 기준 대신 각 평가 사례의 맥락을 해석하고 질문을 측정 가능한 하위 문제로 분해한 뒤, 각 하위 문제에 맞춤화된 맥락과 진단 도구를 갖춘 전문 하위 에이전트를 생성하여 추론하게 합니다.

이러한 계층적 워크플로우는 모든 평가를 결과의 정당성을 입증하는 투명한 증거 트리로 전환시킵니다. HarnessEval-W를 18개의 대표적인 월드 모델과 330개의 평가 사례에 적용한 결과, 그 판단은 인간의 선호도와 밀접하게 일치하며 생성된 모든 결과에 대해 검증 가능하고 세밀한 진단을 제공합니다.

연구팀은 이 전체 파이프라인을 라이브 벤치마크로 오픈소스로 공개하여 커뮤니티가 월드 모델의 발전과 새로운 평가 사례를 위해 기여할 수 있도록 초대하고 있습니다.

자동화된 검사 파이프라인에서 언어 모델을 검사자(checker)와 수정자(fixer)로 설정했을 때, 이 구성이 보고하는 오경보(false alarms)에 어떤 영향을 미치는지 조사했습니다. 인간이 검증한 정확한 ProcessBench 추적 데이터에서 측정 결과, 감사 후 수정 에피소드가 모델의 컨텍스트에 이미 포함되어 있으면 오경보가 줄어듭니다. 이는 길이 일치하는 비감사 대조군과 비교했을 때 15개 모델 조합에서 2.8%에서 11.5%포인트까지 오경보를 감소시키며, 대조군 대비 9%에서 25%의 감소 효과를 보였습니다.

이러한 결과는 누적 메시지 문헌이 예측하는 방향과 상충됩니다. 감사 보고서가 오류를 보고한 에피소드가 오경보를 더욱 낮춘다고 예측하지만, 실제로는 그 반대의 효과가 나타났습니다. 에피소드를 분해 분석한 결과, 수정 내용과 감사 판정은 상호 보완적이며 서로 다른 모델 계열에 다른 영향을 미치는 것으로 나타났습니다.

신호 탐지 분석을 통해 이 변화는 모델의 판별 능력(discrimination)보다는 임계값(threshold)의 변화에서 발생한다는 것을 발견했습니다. 이 임계값은 15개 조합에서 이동했으며 13개 조합에서 보정되었지만, 민감도 지표인 d'는 전혀 영향을 받지 않았습니다. 또한 50개의 오경보에 대한 수동 감사를 통해 82%가 단순히 잘못된 것으로 확인되어, 현재 작동 지점에서는 이러한 변화가 해롭지 않음을 알 수 있습니다.

AnyTalk은 애니메이션 데이터를 요구하지 않고 임의의 캐릭터에 대한 3D 음성 애니메이션을 생성하는 새로운 방법론을 제시합니다. 기존의 오디오 기반 3D 음성 애니메이션 방식이 캐릭터별 학습 데이터나 복잡한 리깅/리메싱 과정을 필요로 했던 한계를 극복하기 위해, AnyTalk은 방대한 비디오 데이터로 학습된 최근의 비디오 확산 모델을 활용합니다.

이 방법은 캐릭터별 미세 조정 기법인 Character-specific Fine-tuning(CsF)을 통해 사전 학습된 비디오 확산 모델을 목표 캐릭터에 적응시킵니다. 이때 3D 캐릭터의 렌더링 이미지와 움직임이 없는 오디오 임베딩을 결합하여 미세 조정함으로써 애니메이션 데이터를 제거하면서도 대규모 비디오 확산 모델의 움직임 사전 정보를 보존합니다. 이후 제안된 최적화 과정을 통해 블렌드셰이프 파라미터를 추정하여 결과적으로 3D 음성 애니메이션을 생성합니다.

AnyTalk은 다양한 얼굴 메쉬와 블렌드셰이프 구성에 걸쳐 입술 싱크 애니메이션을 가능하게 하여 수작업 노력과 데이터 요구 사항을 크게 줄입니다. 또한 AnyTalk을 간소화된 네트워크인 AnyTalk_{RT}로 압축하여 실시간 성능을 구현함으로써 사용성을 더욱 향상시킵니다. 이 기술은 턱헤드 비디오 생성을 활용하여 임의의 캐릭터에 대한 오디오 기반 음성 애니메이션 기술 접근성을 넓히는 데 기여합니다.

드론을 이용한 수집 작업에서 화물을 축적하면 차량 속도가 느려져 경로 효율성에 누적 페널티가 발생합니다. 이에 대해 탑재된 드론이 외곽 아이템을 회수하여 이 페널티를 상쇄함으로써 작업 완료 시간을 단축하고 운영 이익을 증가시킬 수 있습니다. 이 논문은 아이템 선택, 차량 경로, 비행 동기화를 공동으로 최적화하여 시간 기반 임대 비용을 제외한 수집 수익을 극대화하는 드론 여행자 도둑 문제(Travelling Thief Problem with Drone, TTP-D)를 제안합니다.

연구진은 작은 인스턴스에 대해서는 혼합 정수 선형 계획법(MILP)을 사용하여 최적해를 구했으며, 더 큰 인스턴스에는 메타휴리스틱과 어텐션 기반 심층 강화 학습(DRL) 정책을 개발했습니다. 특히 DRL 정책이 초기 해답을 구성하고 짧은 어닐링 과정을 통해 이를 정제하는 학습 초기화 하이브리드 솔버를 제안했습니다.

이 하이브리드 솔버는 두 개의 벤치마크 세트에서 메타휴리스틱 기준 품질의 대부분을 계산 예산의 일부만으로 회복하는 성능을 보였습니다. 다만 가장 큰 인스턴스의 경우 여전히 기준 모델이 전체 예산을 필요로 합니다.

최종 민감도 분석 결과, 수익성의 주요 동인은 임대 비율이며, 차량 관련 매개변수는 수익에 미치는 영향이 한계에 불과하다는 것을 확인했습니다.

에이전트 하네스는 환경과의 상호작용을 조정함으로써 장기 목표 작업에서 성능을 크게 향상시켰지만, 복잡한 하네스를 사용한 강화 학습은 장기 에이전트 작업으로 확장할 때 근본적인 문제를 야기하여 아직 충분히 탐구되지 못했습니다. 이 연구는 복잡한 하네스를 통해 일반 에이전트를 안정적이고 확장 가능하게 최적화하기 위한 통합된 블랙박스 강화 학습 프레임워크를 제시합니다.

이를 위해 연구진은 대규모 동시 실행을 위해 작업 환경과 하네스를 임시 샌드박스 내에서 격리하는 샌드박스 기반 실행 인프라를 구축했습니다. 또한 정책 최적화를 불투명한 하네스 실행으로부터 분리하고 모델 경계에 서빙 프록시를 배치하여 모델 호출을 캡처합니다. 캡처된 호출을 접두사 트리로 정리하여 다중 턴 궤적을 재구성하고 학습 효율성을 개선하며, 이를 통해 비평가 기반 PPO와 비평가 없는 GRPO를 복구된 트리 구조를 최적화하도록 추가적으로 조정합니다.

나아가 이 프레임워크는 이기종 실행 시스템 전반에 걸쳐 통합된 학습을 지원하는 혼합 하네스 학습을 도입합니다. Qwen3-30A3B 모델을 사용하여 블랙박스 강화 학습은 OpenClaw와 Claude Code를 통해 ClawGym-Bench의 Pass@1 점수를 각각 9.98점과 14.81점 향상시켰으며, 200~400번의 최적화 단계 동안 안정성을 유지했습니다. 또한 이 프레임워크는 JobBench 및 OfficeQA와 같은 더 어려운 작업에서도 일관된 성능 향상을 제공합니다.

대규모 언어 모델이 널리 사용됨에 따라, 오픈 웨이트 모델을 배포하는 제3자 제공업체의 추론 API 품질을 감사하는 것은 중요한 과제가 되었습니다. 이 연구는 호스팅된 모델 라우팅을 확률 과정으로 공식화하고, 대상 API로부터 확률 정보가 필요 없는 복합적인 블랙박스 감사 방법인 벤토르-큐테스트(Ventor-QTest)를 제안합니다.

벤토르-큐테스트는 반복 요청 구성요소를 통해 평균 충실도 손실(AFL)을 측정하며, 이는 노이즈 편향을 보정한 내-윈도우 평균 조밀화-KL 통계량으로 보고됩니다. 또한, 장기 시퀀스 구성요소를 통해 독립적인 실행을 사용하여 극단적 충실도 손실(EFL)을 보고하며, 이는 실행 수준의 참조 중심 놀람 통계량의 경험적 상위 꼬리를 통해 측정됩니다.

연구 결과에 따르면, AFL은 로그 확률에서 파생된 조밀화-KL 비교자와 강력한 선형 기술적 일치를 보입니다. 반면, EFL은 태스크 노출이 증가함에 따라 Terminal-Bench 통과율이 감소하는 것과 일치하는데, 이는 장기 목표 태스크의 정확성이 극단적 충실도 손실에 더 민감하기 때문일 수 있습니다.

이러한 패턴은 AFL과 EFL을 함께 보고하는 것이 특히 장기 에이전트 태스크를 감사할 때 유용함을 시사합니다. 이 연구는 AFL과 EFL이 GPQA-Diamond 정확도와 경로 수준에서 큰 연관성이 없음을 보여주며, 오픈 소스 구현은 GitHub에서 제공됩니다.