로봇 스킬이 "어디서 통하는지"까지 조합기에 넘겨주면 — APPL 논문 분석
스킬을 학습시킨 구조적 가정을 조합 단계의 인터페이스로 재사용하는 APPL. 스킬 일반화와 조합 일반화를 하나로 잇는 아이디어를 짚었다.
에이전트는 디지털 세계를 이미 안다 — 잠든 지식을 깨우는 EVOKE
LLM 에이전트가 새 환경에서 무너지는 건 지식이 없어서가 아니라 꺼내 쓰지 못해서라고 보고, 같은 장면에 목표만 바꿔 물어 잠든 지식을 깨우는 사후학습 기법 EVOKE.
스스로 문제를 내는 AI가 함께 틀리기 시작할 때: 'False Frontiers' 해부
스스로 문제 내고 푸는 검색 AI가 출제자와 해결자가 같은 오답에 합의하는 '공모'를 진단하고, 채점자를 교차시키는 CrossFit으로 억제한 연구.
작은 전문가가 큰 모델을 가르친다 — 같은 계열 온정책 증류의 법칙
같은 계열 모델에서 교사·학생의 크기와 교사 점수만으로, 온정책 증류의 최고 성능과 초기 전이 속도를 훈련 전에 예측하는 거듭제곱 법칙을 수학 추론 실험으로 정리한 논문.
모델을 바꾸지 않고 에이전트를 전방위로 — Omni-IO Skills 뜯어보기
텍스트만 잘하던 범용 에이전트에 하네스 한 겹을 얹어 이미지·오디오·영상·3D까지 다루게 만든 연구. 두 호스트 모두 입력 지원율을 100%로 끌어올렸다.
로봇의 맥락 학습(ICL): 다시 안 배우고 상황을 읽어내는 4가지 방법
신경망을 다시 학습시키지 않고 시연·상호작용만으로 새 작업을 파악하는 '로봇 인컨텍스트 학습'을, 맥락이 행동으로 넘어가는 통로 기준 네 갈래로 정리한 서베이 해설.
엉뚱한 단어 선택만 모아 코딩 실력을 옮기는 기술, ATD
과제와 무관한 문맥에서 고른 단어 선택 수천 개만으로 교사 모델의 코딩 능력이 학생 모델로 전이됐다. Qwen2.5-1.5B 실험에서 코드 시험 점수가 5.34%포인트 올랐다.
전문가 합치기의 함정: '누가 가르치냐'보다 '얼마나 세게'가 중요했다 (DN-MOPD)
수학·코딩·지시수행 전문가 모델을 하나로 합치는 다중교사 증류에서, 피드백의 '세기'를 도메인별로 정규화하니 성능이 올랐다는 Qwen3.5 실험 분석.
영상 생성 AI에 '물체 영속성'을 가르치다 — WROP 벤치마크와 PWM-WROP
인지과학 합성 영상 150만 개로 추가 학습한 PWM-WROP가 사람 평가에서 연속 생성 모델 1위, 전체 14개 중 3위. 다만 현실 영상의 물리 이해로 이어지는지는 미확인.
토큰마다 양자 회로를 맞춤 생성: HyperQ, 큐빗을 넓혀 성능을 끌어올리다
얼린 11억 파라미터 모델에 토큰별 양자 회로를 붙여 큐빗을 16→64로 늘리자 벤치마크 평균이 47.65→54.30점으로 올랐다(본체보다 +4.71). 대부분 고전 계산이며 양자 우위 주장은 없다.
월드 모델, 상호작용해도 무너지지 않는가 — HappyWorld-Bench
영상·공간·체화형 월드 모델을 하나의 잣대로 묶어, 겉보기 품질이 아니라 들어가 돌아다니고 건드렸을 때의 신뢰성을 재는 통합 벤치마크.
상호작용으로 공간을 배우는 VLM, Spatial-Interactor 심층 분석
정지 이미지 대신 '관찰-행동-관찰' 상호작용 궤적으로 시각-언어모델의 공간 추론을 3단계 커리큘럼으로 학습시킨 Spatial-Interactor 논문 해설.