문서 검색을 위한 지능형 청킹, D-RAC: 어떤 형식의 기업 문서도 RAG에 바로 넣는 법
기업의 온갖 문서(PDF·워드·PPT·스캔)를 PDF로 표준화한 뒤 멀티모달 LLM 한 번으로 검색 최적화 마크다운으로 바꿔, 청킹 비용을 대폭 낮춘 D-RAC 연구를 쉽게 풀어봅니다.
로봇에게 "무엇을 어디서"를 먼저 가르치기: 3D 그라운딩 기반 GAM 해설
로봇 파운데이션 모델에 3D 그라운딩을 내장한 GAM 논문 분석. 언어·점·박스로 대상 물체를 지정해 흔들리는 환경에서도 조작 성공률을 높였다.
에이전트의 '안목'을 측정한다: The Tasteful Agent 논문 심층 분석
장기 과업에서 에이전트가 내리는 갈림길 선택 능력을 '안목'으로 정의하고, 이를 자동 벤치마크(Taste-Bench)로 측정·학습시킨 연구를 쉽게 풀어 설명한다.
게임을 잣대로 AI를 재다 — 텐센트 GameHorizon Suite 해설
텐센트 ARC Lab의 GameHorizon Suite는 게임 플레이 능력을 짧은·중간·긴 시간 지평으로 나눠 재현 가능하게 측정하는 데이터·평가 세트다. 무엇을 재고 무엇은 아직 못 재는지 정리했다.
WorldCrafter: 카메라로 불러오는 3D 기억으로 일관된 비디오 월드 모델 만들기
시점(카메라)이 과거 관측을 어떻게 압축할지를 정하는 '암시적 3D 기억'으로, 분 단위 장면 탐험에서도 일관성과 카메라 제어 정확도를 끌어올린 비디오 월드 모델 WorldCrafter를 쉽게 풀어봅니다.
실시간 풀듀플렉스 AI, Realtime-Venus: 듣고 보고 일 시키는 대화 시스템
9B 모델 두 변형(음성·영상 Omni, 음성 전용 Audio) 중 세션마다 하나로 실시간 풀듀플렉스 대화와 백그라운드 작업 위임을 처리하는 Realtime-Venus를 초록 기준으로 심층 분석한다.
답을 아는 AI와 가르치는 AI는 다르다 — 교육 모델 OmniEdu
문제풀이와 개인교습은 다른 능력이다. OmniEdu는 교육 데이터를 '출처'가 아니라 '역량' 기준으로 다시 짜, 두 가지를 함께 잘하도록 학습한 오픈 교육 모델이다.
자기개선하는 AI 에이전트에 '고삐'를 채운다 — 구글 RRSI
스스로 손발을 고치는 AI 에이전트는 연습 과제에만 맞춰지는 과적합에 빠지기 쉽다. 구글 RRSI는 자기개선에 '규제'를 걸어 처음 보는 문제에서도 실력을 지키고 비용까지 줄였다.
전문가를 다 참여시키면서도 계산은 가볍게: IntBMoE가 푸는 MoE의 삼중 딜레마
참여·실행·저장을 따로 조절 못 하던 Mixture-of-Experts의 한계를, 블록 조건화로 세 축을 분리한 IntBMoE. AMap 추천에서 UVCTR 2.4% 상승.
EvoOntology: 에이전트가 스스로 키우는 데이터 안내도
사람이 손으로 쓰는 데이터 사전 대신, 에이전트가 실제 데이터로 짓고 실행 기록으로 스스로 고치는 온톨로지 층. 온톨로지 없는 기준선보다는 확실히 낫고, 에이전트가 만든 시맨틱 레이어를 정적으로 넣은 조건과는 조건부 우위.
스스로 진화하는 검색 인덱스: SELF-INDEX가 사람 손 없이 RAG를 개선하는 법
검색 인덱스가 스스로 실패를 진단하고 색인 키를 고쳐 검색 품질을 높이는 SELF-INDEX 프레임워크를 초록 기준으로 심층 분석한다.
ProgramDistill: 작동하는 앱에서 배우는 코딩 에이전트 벤치마크
기능의 목적·흐름은 설명하되 구체적 동작은 '작동하는 참조 앱과의 상호작용'으로 추론해 구현하게 하는 코딩 에이전트 벤치마크 ProgramDistill을 소개합니다.