AI가 배운 실력, 중간 학습 기록으로 골라 옮긴다 — Waypoint-OPD
한 모델이 강화학습으로 얻은 변화를 다른 모델에 넘기되, 중간 학습 기록을 보고 방향이 끝까지 일관됐던 변화만 골라 전달한다.
에이전트 SaaS는 왜 과금의 '단위'를 다시 묻는가
좌석·사용량·성과, 세 가지 과금 방식이 각각 어디서 미끄러지는지, 그리고 왜 시장이 결국 셋을 섞는 쪽으로 가는지를 짚는다.
장면과 시간을 기억하는 영상 AI — ATAS가 긴 영상의 '앞뒤 안 맞음'을 푸는 법
여러 샷으로 긴 영상을 만들 때 앞 장면·사건이 뒤에서 어긋나는 문제를, ATAS는 장면 기억과 사건 기억 두 가지로 풀고 검증을 통과한 관측만 기억에 넣는다.
에이전트가 삐끗한 순간, 실패를 '복구 규칙'으로 바꾸는 Agent-Reflex
도구가 먹통이 되고 사용자가 끼어들면 무너지는 AI 에이전트. 런민대 연구팀은 실패를 환경별 복구 규칙으로 바꿔 작은 모델에 미리 학습시켰다. 일반 도구 작업은 끌어올렸지만 노이즈 대응은 숙제로 남았다.
보기를 섞어도 확률이 안 바뀐다 — 결정 전용 신경망 Jeva
보기 순서를 바꿔도 각 보기의 확률이 그대로인 결정 전용 신경망 Jeva. 후보를 재사용하면서도 집합이 바뀌면 우열을 다시 따지고, 정답이 없으면 '없음'을 따로 가려낸다. NUS 연구.
사용자의 기록을 읽는 AI는 왜 다음 행동을 못 맞힐까: Vela
과거 기록으로 다음 행동을 맞히게 해 LLM의 사용자 이해를 키운 Vela 프레임워크 — 방법과 성과, 그리고 증류가 섞인 숫자의 한계까지 뜯어본다.
코딩 에이전트는 당신이 원한 에이전트를 만들어낼까 — AgentSWE 벤치마크
요구사항을 던지면 코딩 에이전트가 에이전트를 대신 만들어주는 시대. 그 결과물이 '보여주기'가 아니라 '실제로 작동'하는지 처음 측정한 벤치마크 AgentSWE를 뜯어본다.
'답만 달라'고 해도 풀이가 붙는다 — LLM '사고 관성' 측정법
"답만 해"라고 지시해도 LLM은 풀이를 덧붙인다. 눈에 보이는 설명만 세 지표로 측정해 이 현상을 해부한 arXiv 2610.11765 분석.
오래 일하는 AI는 어떻게 가르치나: 긴 작업 기록의 함정과 TerminalHorizon
터미널 AI를 오래 일하게 하려면 긴 작업 기록이 필요하다. 하지만 기록이 길다고 배울 게 많은 건 아니다. TerminalHorizon은 앞선 결과가 다음 판단을 바꾸는 작업만 골라 만들고 검증한다.
작은 모델에 계속 가르치되 망각은 줄이기 — 합성 자기증류 SynthSelf
작은 모델에 새 능력을 가르치면 기존 능력을 잊는다. 작은 모델이 배울 정답 예시를 같은 계열의 더 큰 모델이 다시 써 주면 망각이 줄었다 — LG AI·KAIST 연구.
이미지에서 자세히 볼 곳만 골라 연산을 줄인다 — VisionWeave
알리바바 Qwen 팀의 VisionWeave — 이미지에서 세밀히 볼 곳과 대충 볼 곳을 모델이 스스로 나눠, 시각 토큰을 평균 43% 줄이고도 원본 성능의 98.9%를 유지했다.
AI 에이전트 훈련장을 통째로 합성한다 — SoftwareGym 분석
컴퓨터를 조작하는 AI를 가르칠 소프트웨어 182개를 자동으로 합성한 연구. 진짜 앱 벤치마크(OSWorld) 성공률을 41.39%에서 56.97%로 끌어올렸다.
이미지 속 위치를 아는 AI는 왜 시점을 바꾸면 틀릴까?
멀티모달 AI가 시점 문제를 틀려도 내부엔 올바른 위치 정보가 있었다. 실패는 '못 봐서'가 아니라 '본 것을 시점에 맞게 바꾸는 계산'에서 난다는 걸 분리해낸 연구.