사용자가 마음을 바꿀 때: LLM 에이전트의 의도 표류를 측정하고 고치다
대화 도중 바뀐 사용자 의도 중 이미 폐기된 부분이 최종 결과를 오염시키는 '의도 표류'를 측정 벤치마크(IntentFlux)로 수치화하고, 유효 요구사항을 명시적으로 유지하는 StateForge로 일부 복구한 연구.
AI들이 말 대신 내부 표현을 주고받을 때, 팀 안전이 흔들린다
멀티에이전트가 텍스트 대신 내부 표현을 교환하는 '잠재 통신'에서, 에이전트는 그대로 두고 연결 링크만 손봐도 팀의 안전이 흔들린다는 CISPA 연구.
일은 하는데 끝나지 않는 AI, '믿음의 덫'을 끊는 PoS
긴 작업에서 에이전트가 멈추지 않으면서도 전진하지 못하는 '믿음의 덫'. PoS는 에이전트의 현재 판단을 겉으로 꺼내 검증하고, 빠지면 끌어낸다.
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.
에이전트 SaaS의 진짜 해자는 어디서 생기나 — 모델이 아니라 쌓인 맥락
프런티어 모델을 누구나 같은 값에 쓰게 되면, 에이전트 업무 자동화의 승부처는 모델 성능이 아니라 고객의 업무 맥락이 쌓이는 자리로 옮겨간다.
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.