VFlash: 시각적 계획을 위한 빠른 정확한 방법
VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding
VFlash는 시각 원소의 구조를 활용해 한 번의 전파로 전체 원소를 예측함으로써 자동회귀 모델보다 정확도와 속도를 높였습니다. 3D 포인트 예측에서는 약 25배 빠른 생성 성능을 보입니다.
AI 강화 인류 지능: 신체적 AI 시대의 인지 공생체
From Autonomous Agents to Cognitive Symbionts: Toward AI-Augmented Human Intelligence
이 논문은 AI가 인간의 지능을 강화하는 방식을 탐구하며, 인지 공생체라는 새로운 시스템을 제안한다. 이 시스템은 인간의 맥락을 유지하고, 상황에 맞춰 행동하며, 지속적으로 학습하는 개인 맞춤형 동반자로 작동한다.
SLA: 3D 공간 언어 행동 모델의 지속적 사전학습을 통한 확장
SLA: Scaling Spatial-Language-Action Model via Continual Pre-training
SLA는 3D 공간 이해를 위한 지속적 사전학습을 통해 시각-언어-행동 모델을 확장하며, 다양한 로봇 데이터셋을 통합하여 공간 학습을 지원합니다. 이 모델은 시각 임베딩과 3D 인식 모델의 공간 표현 간의 정렬을 공동 최적화합니다.
Harness-S: Sibling Harnesses를 통한 일반화 가능한 에이전트 트레이닝
Harness-S: Learning from Sibling Harnesses for Generalizable Agent Training
Harness-S는 기존 실행 시스템의 실패를 선택적으로 복구하고, 결과적인 능력을 단일 정책에 전달하여 원래 Harness 하위에서 효과적인 성능을 보인다. 실험 결과, AppWorld, SWE-Gym, DBBench에서 정책만의 트레이닝보다 훨씬 우수한 성능을 보여준다.
DeepExperience/Harness-S · GitHub README
Harness-S는 동일한 기반 헤르시를 사용하여 보완적인 트랙을 통해 에이전트를 훈련하는 프레임워크입니다. 주요 기능은 실패 시 보조 헤르시를 사용하여 새로운 시도를 수행하고, 학습된 행동을 원래 헤르시로 전달하는 것입니다.
Random Is Almost Enough? Stable and Low-Cost Benchmark Compression via BestRand
Random Is Almost Enough? Stable and Low-Cost Benchmark Compression via BestRand
BestRand은 랜덤 샘플링의 효율성을 유지하면서 고오류 테일을 크게 줄여 안정적인 벤치마크 압축을 가능하게 하는 방법이다. 이 방법은 다양한 벤치마크에서 높은 정확도와 신뢰성을 제공하며, 비용을 크게 절감한다.
George-Ling3/BestRand · GitHub README
BestRand는 랜덤 서브셋이 전체 벤치마크 점수를 정확하게 추정할 수 있지만, 가끔 큰 오류를 발생시킬 수 있음을 보여주며, 몇 개의 프로브 모델을 사용해 대표 서브셋을 선택하여 안정성을 높이고 저비용으로 벤치마크 압축을 가능하게 합니다. 저장소는 벤치마크 압축을 위한 데이터와 도구를 제공합니다.
WeLM-Image: A Unified Image Generation Model towards Visual Intelligence
WeLM-Image: A Unified Image Generation Model towards Visual Intelligence
WeLM-Image은 텍스트-to-이미지 생성, 지시 기반 편집 및 다중 참조 합성에 통합된 멀티모달 이해를 갖춘 이미지 기반 모델로, 단일 GPU에서 대규모 소비자 애플리케이션에 배포 가능합니다. 1536 해상도 모델은 PRISM-Bench, Qwen-Image-Bench, UnicBench에서 평가된 오픈소스 모델 중 최상위 성능을 보입니다.
TailSteer: Trajectory-Tail Steering for Drift-Resistant Multi-turn Image Editing
TailSteer: Trajectory-Tail Steering for Drift-Resistant Multi-turn Image Editing
TailSteer는 다중 턴 이미지 편집에서 시각적 흐름을 방지하기 위해 최종 단계에서 훈련을 수행하는 프레임워크로, 초기 노이즈 제거 동역학을 유지하면서 편집 결과의 누적 흐름을 줄인다. 실험 결과, TailSteer는 15~20번 편집 시도에서 큰 흐름을 방지하면서 기존 모델의 성능을 유지한다.
Lyricccco/tailsteer · GitHub README
TailSteer는 기존 모델의 생성 및 편집 능력을 유지하면서 다단계 편집 시 안정성을 높이는 기술입니다. 사용자는 다양한 기반 모델에 적용하여 편집 과정에서 누적 편차를 줄일 수 있습니다.
Open-HumanWAM: Embodied Foundation Models의 확장 방법
Open-HumanWAM: An Open Recipe for Scaling Human and Robot Experience for Embodied Foundation Models
Open-HumanWAM은 50,000시간의 시야 중심 영상 데이터를 기반으로 로봇 정책을 학습하는 데 사용되며, HumanWAM-Vanilla와 HumanWAM-Goal을 통해 시뮬레이션 및 물리적 환경에서 우수한 성능을 보여준다.
EvoMemState: Evolving Memory State for Personal Agents
EvoMemState: Evolving Memory State for Personal Agents
EvoMemState는 지속적인 사실과 두 가지 보완적인 상태인 관계 상태와 추론 상태를 추가하여 개인 에이전트의 기억을 개선하는 중심 상태 중심 프레임워크입니다. 실험 결과, 기존 기억 시스템에 비해 검색 완전성과 기억 기반 응답 정확도에서 일관된 개선을 보였습니다.
XMUDeepLIT/EvoMemState · GitHub README
EvoMemState는 개인 에이전트가 사용자와의 대화를 기억하고, 정보의 변화를 추적하며, 현재 요청에 영향을 미치는 방식을 결정하는 데 사용됩니다. 이 저장소는 지속적인 사실을 진화하는 메모리 본체에 저장하고, 추론을 위한 정책을 생성하여 최종 응답을 생성하는 기능을 제공합니다.
Drex: 기반 결정 모델을 위한 오픈소스 결정 모델
Towards Foundation Decision Models: Drex
Drex는 다양한 파라미터 크기의 오픈소스 결정 모델로, Decision Index 0.4.1에서 최고 성능을 보이며, 선택 옵션 재정렬에 대해 안정적인 출력을 제공합니다.
nace-ai/drex-decision-models · GitHub README
nace-ai/drex-decision-models는 결정 모델을 제공하는 저장소로, 상태와 질문을 입력받아 각 선택지의 확률을 반환합니다. 주요 기능은 다양한 모델과 러너를 지원하여 브라우저 및 CLI에서 실행할 수 있도록 설계되었습니다.
VisSearch-Bench: 시각 검색 평가
VisSearch-Bench: Evaluating Long Horizon Visual Search in Multimodal Agents
VisSearch-Bench는 7개 주요 분야와 25개 하위 분야를 포함한 204개의 인간 작성 태스크로 구성된 시각 검색 평가 프레임워크이다. 현재 최고 시스템도 검색 도구를 사용해도 26.47%의 태스크만 완전히 해결할 수 있음을 보여준다.
antins-labs/VisSearch-Bench-v1 · GitHub README
VisSearch-Bench는 멀티모달 에이전트의 시각 검색 능력을 평가하는 벤치마크로, 204개의 인간 작성 태스크를 포함합니다. 이 데이터셋은 5가지 검색 가족, 7개의 주요 도메인, 25개의 부도메인을 커버하며, 각 태스크는 참조 답변과 평가 기준을 제공합니다.
EDGAR: Efficient Diffusion-Driven Gaussian Avatar Refinement via Synthetic Failure
EDGAR: Efficient Diffusion-Driven Gaussian Avatar Refinement via Synthetic Failure
EDGAR는 시각적 오류를 제거하면서 정체성 신뢰도를 유지하는 Gaussian 아바타의 품질을 향상시키기 위한 확장 프레임워크로, 다양한 손상 유형과 심각도를 처리하기 위해 MoE 아키텍처를 도입했습니다. 실험 결과, 시각적 인식 및 재구성 측면에서 기존 방법에 비해 성능이 향상되었습니다.
kwanyun/edgar-code · GitHub README
EDGAR는 손상된 가우시안 아바타 렌더링을 개선하기 위해 식별성 참조와 단일 단계 확산 모델을 사용합니다. RGBAvatar와 CAP4D에 대한 아답터를 포함하며, 기존 3D 아바타를 개선하여 원래 파이프라인으로 렌더링할 수 있도록 합니다.
Prefill-to-Autoregressive Cross-Model Transfer의 기회와 도전
On the Opportunities and Challenges of Prefill-to-Autoregressive Cross-Model Transfer
PLatour는 PACT 프레임워크로, 고정된 모델 간의 경량 브리지로 연결하여 성능을 향상시켰으며, PACT-Check 도구를 통해 효과적인 정보 전달 여부를 평가합니다. 연구는 PACT 시스템의 잠재력과 한계를 탐구합니다.
zhenyi4/platour · GitHub README
PLatour은 대형 모델이 작은 모델에 정보를 전달하여 응답을 생성하는 프레임워크로, GRPO와 SFT 두 가지 방법을 지원합니다. 주요 기능은 전달된 정보를 기반으로 성능 향상을 평가하는 PACT-Check입니다.
Muir: 선형 어텐션과 감도 할당 게이팅, 매칭 필터 읽기 출력
Muir: Linear Attention with Sensitivity-Allocated Gating and Matched-Filter Readout
Muir은 선형 어텐션을 기반으로 감도 할당 게이팅과 매칭 필터 읽기 출력을 도입하여, GDN-2와 트랜스포머 대비 퍼플렉시티를 1.8-2.0% 및 2.5-3.6% 감소시키고, 일반 지식 정확도를 1.9점까지 향상시킨 모델이다.
Terminal-style Mathematical Modeling Bench: 첫 번째 대화형 및 검증 가능한 수학 모델링 벤치마크
Terminal-style Mathematical Modeling Bench: The First Agentic and Verifiable Benchmark for Mathematical Modeling
TB-MathModel은 실제 CUMCM 및 MCM 문제를 기반으로 수학 모델링 문제를 대화형, 검증 가능, 종료형으로 제공하여 모델의 능력을 측정합니다. 최대 64.58%의 다중 참조 O-Eval 성능을 달성한 결과를 보여줍니다.
wxj630/terminal-bench-math-modeling · GitHub README
이 저장소는 수학 모델링 대회 워크플로우를 기반으로 한 벤치마크로, CUMCM과 MCM 문제를 포함합니다. 사용자는 수학 모델링 문제를 해결하고, 계산을 수행하며, 결과를 제출하는 전체 프로세스를 테스트할 수 있습니다.
SwarmEvolve: Latent Agent Swarms for Evolutionary Discovery and Optimization
SwarmEvolve: Latent Agent Swarms for Evolutionary Discovery and Optimization
SwarmEvolve은 수백개의 저비용 에이전트가 라tent 공간에서 협업하여 문제를 해결하는 프레임워크로, 수학적 탐구 및 과학 계산 문제에서 최고 평균 점수를 달성하며 빠른 속도로 최적화를 달성합니다.
Qile-J/SwarmEvolve · GitHub README
SwarmEvolve는 LLM을 기반으로 한 진화적 검색 프레임워크로, 수학적 발견과 과학 계산 문제를 해결하는 데 사용됩니다. 다양한 LLM 모델을 사용하여 프로그램을 개선하고 재조합하여 성능을 극대화합니다.
Future Representation Distillation for Imagination-free World Action Models
Future Representation Distillation for Imagination-free World Action Models
DreamFree은 현재 관찰을 기반으로 미래 시각 표현을 예측하여 액션을 결정하는 시각 인코더를 학습함으로써, 비디오 생성 없이도 로봇 제어가 가능하게 합니다. 실험 결과, DreamFree는 최신 VLAs 및 WAMs보다 성공률이 높으며 실시간 제어를 지원합니다.
HeLM: Hierarchical Explicit Language Memory for Non-Markovian Manipulation
HeLM: Hierarchical Explicit Language Memory for Non-Markovian Manipulation
HeLM은 비마르코비안 환경에서 작업 기억을 유지하기 위해 계층적 명시적 언어 메모리 기법을 제안하며, 기존 기프트 베이스라인 대비 메모리 사용량을 4.5배 줄이고 처리 속도를 2.5배 빠르게 했다. 10개의 실제 작업에서 12.8% 성공률 향상과 78%의 구성적 일반화 성공률을 달성했다.
kimspacehuni/HeLM · GitHub README
HeLM은 작업 기억이 필요한 작업에서 효과적인 성능을 보이며, 작업 내외부 기억을 구조화하여 관리합니다. 주요 기능은 고수준 정책(HLP)과 저수준 정책(LLP)의 분리된 구조로, 작업 성공률을 높이고 메모리 사용을 줄입니다.
Decode Before You Hear: Speculative Listening for Chunk-Interleaved Full-Duplex Speech Language Models
Decode Before You Hear: Speculative Listening for Chunk-Interleaved Full-Duplex Speech Language Models
Speculative Listening은 응답 시작 전 디코딩 지연을 73% 감소시키며, 말하기 및 도구 호출 청크 처리 속도를 각각 2.6-2.8x 및 최대 23.4x 향상시킨다. 이 기법은 청취 청크 동안 다음 청크를 조용함을 가정으로 미리 디코딩하여 효율성을 높인다.
SAE Interprets MoE: Sparse AutoEncoders Reveal Human-Interpretable Fine-Grained Specialization of MoE Experts
SAE Interprets MoE: Sparse AutoEncoders Reveal That MoE Experts Exhibit Human-Interpretable Fine-Grained Specialization
이 연구는 MoE 모델의 전문성 분석을 위해 희소 자동 인코더를 사용하여 각 전문가의 세부 분야별 전문성을 규명하였다. 결과적으로 전문가 간의 작업 분담이 세부 분야별로 구분되어 있음을 확인하였다.
ByteDance-Seed/SAE-interprets-MoE · GitHub README
이 저장소는 MoE 전문가의 인간 해석 가능한 세부 분야 전문화를 분석하기 위한 코드와 데이터를 제공합니다. 주요 기능은 SAE(latent) 활성화 분석을 통해 전문가와 레이어 간의 관계를 시각화하고, 전문가의 역할을 자동 해석하는 것입니다.
도구 출력을 텍스트로 표현할 필요 없음: 에이전트의 잠재적 맥락 압축
Tools Need Not Speak in Text: Latent Context Compression for Agents
Coca-Cola는 LLM 에이전트의 도구 출력을 연속적인 잠재적 토큰으로 압축하여 맥락 오버헤드를 줄이고, 작업 성능을 향상시킵니다. 실험 결과, 토큰 소비량은 70.01%-89.24% 감소하고, 전체 실행 시간도 24.45%-55.97% 단축되었습니다.
THU-Agent/Coca-cola · GitHub README
Coca-cola는 다단계 검색 질문 응답을 위한 도구로, 검색 문맥을 잠재 표현으로 압축하여 모델이 추론을 이어갈 수 있도록 합니다. 이 저장소는 Coca-cola의 훈련 및 평가 코드와 Vanilla, LLMSummary, LLMLingua 등의 기반 방법을 포함합니다.
OpenFrontiers: 과학적 재발견을 위한 오픈 리서치 문제 모음집 및 벤치마크
OpenFrontiers: A Collection of Open Research Problems and a Benchmark for Scientific Rediscovery
OpenFrontiers는 12,151개의 오픈 리서치 문제를 포함한 코퍼스와 200개의 해결된 문제로 구성된 벤치마크를 제공하여, 연구 수준의 문제 해결 능력을 평가하는 기반을 마련합니다. 특히, 폐쇄적 환경에서의 재발견 성공률이 낮고, 실시간 웹 검색을 통한 해결이 주를 이룹니다.
Retrieval Embeddings에서 표현 간섭 감소를 위한 학습 가능한 프리픽스 토큰
Reducing Representational Interference in Retrieval Embeddings with Trainable Prefix Tokens
학습 가능한 [DUMP] 토큰을 입력에 앞에 추가하여 잔여 토큰 수준 신호의 영향을 줄이는 방법을 제안하였다. 실험 결과, 인코더 및 디코더 임베딩 모델에서 페인트 유니트 기준을 넘어서는 성능 향상을 보였다.
분리된 예측 결정 방법: 에이전트용 공유 조건 예측자
Decoupled Predictive Decision Making: A Shared Conditional Predictor for Agents
DPDM은 다양한 태스크에서 성능을 향상시키며, 이전 학습된 모델을 활용해 예측을 개선합니다. 이 접근법은 경험적 추론과 의미 지식을 결합하여 결정을 개선합니다.
서명된 하지만 조작 가능한: 오프라인 검색 강화 생성에서 텍스트-벡터 무결성 격차 측정 및 해결
Signed but Steerable: Measuring and Closing the Text-Vector Integrity Gap in Offline Retrieval-Augmented Generation
이 논문은 오프라인 검색 강화 생성에서 텍스트와 벡터 간의 무결성 격차를 분석하고, 벡터 재계산을 통한 검증이 조작된 벡터에 의해 얼마나 많은 쿼리가 위협받는지를 조사합니다. 결과적으로, 허용 오차가 낮을수록 무결성 위협이 줄어들고, 검증 방법의 개선이 필수적임을 보여줍니다.
securagenai/signed-but-steerable · GitHub README
이 저장소는 오프라인 검색 강화 생성(RAG)에서 텍스트 벡터 무결성 간극을 측정하고 해결하기 위한 코드, 데이터 및 결과를 제공합니다. 주요 기능은 코드 검증 라이브러리, 실험 스크립트, 데이터셋 및 분석 도구로, 사용자는 다양한 실험 조건에서 벡터 무결성과 관련된 성능을 확인할 수 있습니다.
StepX-OPD: Multi-Teacher On-Policy Distillation을 재고하는 디퓨전 모델
StepX-OPD: Rethinking Multi-Teacher On-Policy Distillation in Diffusion Models
StepX-OPD는 단계별 트레이닝을 통합하여 디퓨전 모델의 성능을 향상시키며, SD3.5-Medium에서 37% 적은 GPU 시간으로 최고의 평균 점수를 달성합니다.
WinterCCC/StepX-OPD · GitHub README
StepX-OPD는 다중 강사 온-정책 디스티л레이션을 통해 SD3.5-Medium 샘플러를 훈련하는 프로젝트로, 학습 과정에서 강사의 지도를 활용하여 성능을 향상시킵니다. 사용자는 제공된 데이터와 설정을 기반으로 모델을 훈련하고 이미지를 생성할 수 있습니다.
실시간 Full-Waveform LiDAR 트랜스포머를 위한 강도 지도 토큰 감소 및 물리 기반 증강
Towards Real-Time Full-Waveform LiDAR Transformers via Intensity-Guided Token Reduction and Physics-Aware Augmentation
이 논문은 Full-Waveform LiDAR 데이터를 처리하는 트랜스포머 모델의 성능과 효율성을 향상시키기 위해 강도 기반 토큰 감소 기법과 물리 기반 데이터 증강 방법을 제안한다. 실험 결과, 실시간 처리 속도를 8배 향상시키면서 정확도도 크게 개선하였다.
Keio-CSG/FWL-ToPM · GitHub README
FWL-ToPM은 실시간 Full-Waveform LiDAR 변환을 위한 프로젝트로, 강도 지도 토큰 감소와 물리 기반 증강 기법을 활용합니다. 이 저장소는 NeurIPS 2026에 발표된 연구를 기반으로 하며, 프로젝트 페이지를 제공합니다.
사전 학습 러너의 영향이 Jailbreak 성공률에 미치는 영향
Identically Trained Language Models Break on Different Jailbreaks
이 연구는 사전 학습 러너가 Jailbreak 성공률에 더 큰 영향을 미치는 것을 보여준다. 동일한 데이터를 사용한 사전 학습 러너의 경우, Jailbreak 성공률의 상관관계는 0.984로 매우 높다.
cerulean-works/castor · GitHub README
CASTOR는 동일한 데이터와 레시피로 훈련된 언어 모델이 서로 다른 jailbreak에 어떻게 반응하는지를 분석하기 위한 프로젝트입니다. 다양한 훈련 시드와 후처리 시드를 사용하여 모델을 생성하고, 공개된 jailbreak 테스트를 통해 성능을 평가합니다.
정보 게임: 언어 모델 공간에서의 전략적 밀도와 기업 재정위치 변화
Information Games: Strategic Crowding and Firm Repositioning in Language-Model Space
이 논문은 기업이 새로운 시장 기회에 대응할 때, 자본 구조와 제품 혼합, 리더십, 리스크 노출 및 운영 절차 등이 변화함에 따라 향후 할인된 자유 현금 흐름이 어떻게 변화하는지 분석한다. 이를 통해 기업의 전략적 조정을 언어 모델 기반의 정보 기하학을 활용해 시뮬레이션하고 검증한다.
Hard Sample-Conditioned Decorrelated Attention for Robust Face Recognition
Hard Sample-Conditioned Decorrelated Attention for Robust Face Recognition
ViT-HarDis는 어려운 샘플에 따라 주의 헤드 분리 강도를 조절하여 얼굴 인식 성능을 향상시킵니다. 실험 결과, 기존 방법보다 대부분의 벤치마크에서 성능이 개선되었습니다.
NPCBench: 임상 스타일 멀티모달 치료 경로 추론을 위한 임상 사사의 기준
NPCBench: A Clinical Apprenticeship Benchmark for Multimodal Care-Pathway Reasoning in Nasopharyngeal Carcinoma
NPCBench는 코로나19 치료 경로를 추론하는 멀티모달 모델의 능력을 평가하는 새로운 기준으로, 단일 질문 대신 복합적인 임상 판단을 요구합니다. 이 기준은 4,777개의 구성 요소와 상담 항목, 100명의 환자 데이터를 포함하여, 모델이 시각적 증거를 바탕으로 진단 및 치료를 수행하는 능력을 평가합니다.
pidneuralode/NPCBench · GitHub README
NPCBench은 코로나19 치료 경로에서 의료 지침, 병리, MRI, 환자 이력 등을 활용한 의사결정 능력을 평가하는 임상 기반 벤치마크입니다. 이 저장소는 6단계의 평가 수준과 O1 개방형 상담 평가를 통해 모델의 다모달 치료 경로 추론 능력을 검증합니다.
SynthFaces: 균형 잡힌 대규모 인간 데이터셋
SynthFaces: Balanced Large Scale Human Dataset
SynthFaces는 실제 데이터셋의 편향과 개인 정보 문제를 해결하기 위해 합성된 균형 잡힌 인간 중심 데이터셋으로, 생성 모델의 편향 없는 학습을 지원합니다. 이 데이터셋은 정체성 임베딩 공간에서의 흐름 매칭 기반 생성 모델을 통해 다양한 얼굴을 생성하여, 실제 데이터셋에 없는 생성 정확도와 라벨 다양성을 달성했습니다.
ControlGenAI/SynthFaces · GitHub README
SynthFaces는 균형 잡힌 대규모 합성 인물 데이터셋을 생성하기 위한 ID-Flow와 Arc2Face 파이프라인을 제공합니다. 이 데이터셋은 인종, 연령, 성별에 따른 불균형을 줄이고, 공정한 모델 훈련을 지원합니다.
인스턴트HMR: 스마트폰에서 실시간 인간 메시 복구
InstantHMR : Real-Time Human Mesh Recovery on Your Phone
인스턴트HMR은 스마트폰에서 실시간으로 인간 메시를 복구하는 기술로, 간단한 이미지 입력으로 빠른 처리 속도와 높은 정확도를 제공합니다. 이 기술은 다양한 응용 분야에서 활용 가능하며, 성능은 기존 방법들보다 우수합니다.
Naturalpad-studio/InstantHMR · GitHub README
InstantHMR는 스마트폰과 데스크탑 GPU에서 실시간으로 인체 메시를 복원하는 기술로, 5ms 이내의 처리 속도를 제공합니다. 주요 기능은 3D 포즈, 몸 모양, 2D/3D 키포인트, 그리고 전체 인체 메시 복원입니다.
AutoRefine: Auto-Calibrating Code Judges from Workflow Outcomes
AutoRefine: Auto-Calibrating Code Judges from Workflow Outcomes
AutoRefine은 개발 워크플로우의 결과 라벨을 활용해 코드 판정자(코드 제출의 품질 게이트)를 자동으로 재조정하는 시스템이다. 이는 판정자의 정확도를 향상시키고, 불확실한 라벨을 제거함으로써 팀이 더 나은 입력 데이터를 제공할 수 있도록 안내한다.
e-means: k-means의 성능을 10분의 1의 에포크로 뛰어넘다
e-means: outperforming k-means (in one-tenth the epochs)
e-means는 지수 이동 평균 최적화 기법을 도입하여 k-means보다 빠르게 수렴하고, 더 낮은 손실을 달성합니다. 이 알고리즘은 다양한 임베딩 데이터셋에서 기존 k-means보다 10~45배 빠른 속도로 성능을 보입니다.
facebookresearch/faiss · GitHub README
Faiss는 밀집 벡터의 유사도 검색 및 클러스터링을 효율적으로 수행하기 위한 라이브러리입니다. GPU를 활용한 고성능 알고리즘을 포함하며, 대규모 벡터 집합의 검색을 지원합니다.
제어 코드 기반의 신체화된 지능 프레임워크 A2-MEAS
Toward the Era of Agentic Embodied Intelligence
A2-MEAS는 코드를 기반으로 한 다중 에이전트 프레임워크로, 학습된 수정 코드와 메타브레인을 통해 효율적인 제어와 실패 회복을 달성한다. 이 시스템은 다양한 태스크에서 높은 성공률과 Q-점수를 기록하며, 신체화된 지능의 발전에 기여한다.
AutoLab-SAI-SJTU/A2MEAS · GitHub README
A²-MEAS는 장기적인 로봇 작업을 위한 체험된 다중 에이전트 프레임워크로, A²-WLA 행동 생성, MetaBrain 작업 추론, 진단 에이전트를 공유 실행 기록과 학습된 수정 인터페이스를 통해 연결합니다. RoboTwin 2.0과 BEHAVIOR 2026에서 평가되며, 성능은 95.05%의 평균 성공률과 0.5287의 Q-점수를 기록했습니다.
Longtail-SWE: 고유 언어를 위한 고품질 소프트웨어 엔지니어링 작업
Longtail-SWE: High-Quality SWE Tasks for Underrepresented Languages
Longtail-SWE는 13개 언어에서 202개의 이슈 해결 작업을 포함한 벤치마크로, 기존 벤치마크에서 덜 다루어진 언어에 대한 고품질 문제를 제공합니다. 이는 해결자-판정자-수정자 파이프라인을 통해 생성되며, 테스트와 작업 설명을 개선하여 유효한 해결책을 거부하거나 잘못된 해결책을 수용하는 테스트를 수정합니다.
SWE-rebench/LongTail-SWE · GitHub README
LongTail-SWE는 13개의 소수 언어인 클로저, 달트, 엘리스, 에레랑, F#, 해스켈, 줄리아, 코틀린, 룩아, OCaml, R, 스칼라 및 스위프트의 실제 깃허브 이슈를 기반으로 한 벤치마크입니다. 각 작업은 에이전트가 이슈를 해결하도록 요청하며, 해결 여부는 통합된 풀 요청에서 가져온 모든 FAIL_TO_PASS 및 PASS_TO_PASS 테스트의 통과 여부에 따라 판단됩니다.
PhysioWave-T: 토큰 효율적인 웨이브릿 기반 모델
PhysioWave-T: Token-Efficient Wavelet Foundation Models for Biosignals
PhysioWave-T는 EEG, ECG, sEMG 신호를 처리하기 위한 토큰 효율적인 웨이브릿 기반 모델로, 동적 스케일 폴딩 기법을 통해 변환기 지연 시간과 메모리 사용량을 크게 줄였습니다. 실험 결과, 이 모델은 기존 모델들보다 성능이 우수하며, 다양한 신체 신호 분석에 적용 가능합니다.
ForeverBlue816/PhysioWave · GitHub README
PhysioWave-T는 EEG, ECG 및 sEMG 신호를 처리하는 전처리된 인코더를 제공하며, 다양한 채널 수와 샘플링 레이트를 지원합니다. 신뢰도 기반의 융합 모델을 통해 다양한 생체 신호를 통합적으로 분석할 수 있습니다.
Jais 3: 아랍어 중심의 에이전트 AI 도입
Jais 3: Introducing Arabic-centric Agentic AI
Jais 3은 아랍어 사용자를 위한 다국어 작업을 지원하는 6개의 오픈 소스 언어 모델로, 0.9B에서 375B 파라미터까지 다양한 규모를 제공합니다. 이 모델은 아랍어로 대화하며, 복잡한 작업 계획, 도구 호출, 웹 검색, 문서 처리 등 다양한 기능을 수행할 수 있습니다.
AI 기반 양자 프로그램 형식 검증 기술
Discovering formally verified quantum programs with AI
AI를 활용한 양자 알고리즘 자동 탐색 기술이 개발되어, 기존의 제한된 범위를 넘어 다양한 과학적 응용 분야에서 성능 향상을 이끌고 있다. 이 기술은 양자 알고리즘의 정확성과 비용을 검증하며, 인간과 AI의 협업을 통해 실용적인 양자 컴퓨팅의 길을 단축하고 있다.
EarthRecord: 지구 관측을 위한 다모달 에이전트의 변화 분석 평가
EarthRecord: From Pixels to Land Change with Multimodal Agents over Four Decades of Satellite Imagery
EarthRecord는 40년간의 위성 데이터를 기반으로 지표 변화 분석을 평가하는 새로운 벤치마크로, 다모달 에이전트의 성능을 체계적으로 측정하는 기회를 제공합니다. 연구 결과, 에이전트는 이미지 분석을 통해 대부분의 작업을 수행하지만, 실제 변화를 파악하는 데는 한계가 있음을 보여줍니다.
ranranrannervous/EarthRecord · GitHub README
EarthRecord는 40년간의 위성 이미지 데이터를 활용해 다모달 에이전트가 땅의 변화를 신뢰할 수 있는 분석으로 변환할 수 있는지 평가하는 저장소입니다. 주요 기능은 데이터 처리, 클라우드 마스킹, 센서 간 조화 등을 에이전트에게 맡기고, 참조 답변 없이 평가하는 것입니다.
무게 공간 프로그래밍의 가능성과 한계 탐구
Exploring Weight-Space Programming: Capabilities, Generalization, and Limitations
무게 공간 프로그래밍(WSP)은 네트워크 파라미터를 직접 조작하여 성능 향상을 이끌어내는 잠재력을 보여주지만, 태스크 간 일반화 및 편집의 일관성에 있어 중요한 한계가 존재한다.
디스crete 확산과 빔 검색을 통한 반소수 인수 분해: 확장 법칙
Semiprime Factorization with Discrete Diffusion and Beam Search: Scaling Laws
이 논문은 디스crete 확산과 지도된 테스트 시간 빔 검색을 사용한 트랜스포머 아키텍처가 반소수 정수의 소인수를 데이터로부터 직접 학습할 수 있음을 보여준다. 68비트 정수를 인수분해하는 성공적인 사례는 이전 56비트 기준을 크게 개선하였다.
비디오 생성을 위한 코드 기반 에이전트 Video-Coder
Video-Coder: Reinforcing Agentic Coding for Video Generation
Video-Coder는 코드 기반 에이전트를 통해 동적 3D 장면을 생성하여 비디오 생성을 개선하는 새로운 접근법을 제시합니다. 실험 결과, PhyGenBench와 VBench-2.0에서 각각 약 7점과 24점의 성능 향상을 보였습니다.
CYWang735/Video-Coder · GitHub README
Video-Coder는 Blender Python 프로그램을 자동으로 작성하고 실행하여 동적인 3D 장면을 생성하는 코드 중심의 영상 생성 에이전트입니다. 이 프로젝트는 코드 실행, 3D 장면 렌더링, 실행 피드백을 통합한 Video-Coder Harness를 통해 다양한 영상 생성 작업을 지원합니다.
언어 모델이 주입된 통증 상태를 보고하지 않는 이유
All Quiet on the Neural Front: Language Models Do Not Report Injected Pain States
이 연구는 언어 모델이 주입된 통증 상태를 보고하지 않는다는 것을 밝혀내며, 통증과 슬픔을 구분하는 높은 정확도를 보여주었다. 모델이 통증을 보고하지 않는 이유는 주로 학습되지 않은 언어 접근 때문으로 보인다.
BOXBOX: Long-Running 성능 최적화를 위한 재귀적 헤르시스 개선
BOXBOX: Recursive Harness Self-Improvement for Long-Running Performance Optimization
BOXBOX는 작업 중에 태스크별 경험을 활용해 헤르시스를 재귀적으로 개선할 수 있는 시스템으로, PerfRace에서 Frozen Harness, 오프라인 헤르시스 진화, 헤르시스 스케일링 대비 1.70x의 속도 향상을 달성했습니다.