- #1Foresight: Failure Detection for Long-Horizon Robotic Manipulation with Action-Conditioned World Model Latents
Foresight는 장기적 로봇 조작 작업에서 실패를 탐지하기 위해 액션 조건부 월드 모델 잠재량을 활용한 실패 감지 프레임워크이다.
- #2Grouped Query Experts: Mixture-of-Experts on GQA Self-Attention
GQE는 GQA 기반의 self-attention에서 query head 계산을 반으로 줄이며 정확도를 유지하는 MoE 기법이다.
- #3SkillHarness: Harnessing Safe Skills for Computer-Use Agents
SkillHarness는 동적 환경에서 안전한 스킬 학습과 실행을 지원하는 프레임워크로, 기존 방법 대비 57.1%의 위험률 감소를 달성한다.
- #4KaLM-Reranker-V1: Fast but Not Late Interaction for Compressed Document Reranking
KaLM-Reranker-V1은 효율적이고 표현력 있는 문서 재정렬 모델로, Matryoshka Embedding Pooling과 Fast but Not Late Interaction 설계를 통해 뛰어난 성능과 효율성을 달성한다.
- #5PlanBench-XL: Evaluating Long-Horizon Planning of LLM Tool-Use Agents in Large-Scale Tool Ecosystems
PlanBench-XL은 대규모 도구 생태계에서 LLM 에이전트의 장기적 계획 능력을 평가하는 대규모 인터랙티브 벤치마크이다.
- #6OpenRath: Session-Centered Runtime State for Agent Systems
OpenRath는 다중 에이전트 시스템에서 런타임 상태를 명시적으로 관리하기 위해 `Session`이라는 첫 번째 클래스 런타임 값 중심의 프로그래밍 모델을 제시한다.
- #7DataClaw0: Agentic Tailoring Multimodal Data from Raw Streams
DataClaw₀-9B는 높은 정보 밀도의 맞춤형 멀티모달 데이터를 생성하여 제한된 학습 데이터에서도 모델 성능을 향상시킨다.
- #8EnterpriseClawBench: Benchmarking Agents from Real Workplace Sessions
EnterpriseClawBench는 실제 기업 작업 세션에서 생성된 852개의 재현 가능한 엔터프라이즈 에이전트 평가 태스크를 제공하는 벤치마크 프로토콜이다.
- #9Temporal Causal Prior-Data Fitted Networks for Panel Data with Learned Reliability Signals
TCPFN은 시간 시계열 패널 데이터에서 제로샷 인과 추론과 신뢰도 신호를 동시에 제공하는 기초 모델이다.
- #10Safe Few-Step Generation via Velocity Editing
VESFlow는 흐름 매칭 기반 생성 모델에서 안전성을 확보하기 위해 속도장 편집을 활용한 훈련 없는 안전성 향상 방법이다.
- #11World Action Models: A Survey
World Action Models (WAMs)는 미래 예측과 행동 결정을 결합한 체계적 분류와 비교를 위한 조사이다.
- #12Tapered Language Models
Tapered Language Models (TLMs)는 MLP 중간 차원을 코사인 스케줄로 점진적으로 감소시켜 언어 모델 성능을 향상시키는 새로운 아키텍처 원칙이다.
- #13PolicyTrim: Boosting Intrinsic Policy Efficiency of Vision-Language-Action Models
PolicyTrim은 VLA 모델의 정책 효율성을 5.83배 향상시키는 강화학습 기반 사후 학습 프레임워크이다.
- #14CLI-Universe: Towards Verifiable Task Synthesis Engine for Terminal Agents
CLI-Universe는 구조화된 능력 분류와 실증적 연구를 기반으로 생성된 CLI 작업을 통해 터미널 에이전트 학습 효율을 높이는 시스템이다.
- #15EvoEmbedding: Evolvable Representations for Long-Context Retrieval and Agentic Memory
EvoEmbedding은 장문 컨텍스트를 고려한 동적으로 변화하는 임베딩을 생성하여 기존 정적 모델을 극복하는 새로운 검색 모델이다.
- #16BioMatrix: Towards a Comprehensive Biological Foundation Model Spanning the Modality Matrix of Sequences, Structures, and Language
BioMatrix는 단일 디코더 아키텍처 내에서 생물학적 데이터의 다중 모달성을 통합한 첫 번째 포괄적 기초 모델이다.
- #17HydraHead: From Head-Level Functional Heterogeneity to Specialized Attention Hybridization
HydraHead는 해드 수준의 FA와 LA 혼합을 통해 512K 컨텍스트 길이에서 기존 모델 대비 69% 성능 향상을 달성한 새로운 어텐션 하이브리드 아키텍처이다.
- #18UniverSat: Resolution- and Modality-Agnostic Transformers for Earth Observation
UniverSat은 EO 분야에서 다양한 해상도와 센서에 대응하는 ViT 기반 모델이다.
- #19Learning from Your Own Mistakes: Constructing Learnable Micro-Reflective Trajectories for Self-Distillation
TAPO는 모델 스스로의 오류를 기반으로 학습 가능한 마이크로-반성적 추적 경로를 구성하여 자가 지도를 강화하는 새로운 정책 최적화 프레임워크이다.
- #20Deeper is Not Always Better: Mitigating the Alignment Tax via Confident Layer Decoding
최종 레이어 대신 신뢰도 높은 중간 레이어를 선택하는 Confident Decoding이 추론 성능을 향상시킨다.
- #21Unlimited OCR Works
Unlimited OCR은 R-SWA를 통해 32K 길이의 문서를 단일 패스로 처리하며, DeepSeek OCR 대비 6% 성능 향상.
- #22Self-Compacting Language Model Agents
SelfCompact는 모델 스스로 판단하여 맥락을 요약하는 적응형 컴팩트 기법으로, 수학 및 에이전트 탐색 성능을 향상시킨다.
- #23Notes2Skills: From Lab Notebooks to Certainty-Aware Scientific Agent Skills
Notes2Skills는 실험 노트북의 작성을 기반으로 AI 에이전트가 안전하게 과학적 결정을 내릴 수 있도록, 작가의 확신을 보존하는 두 단계 프레임워크를 제시한다.
- #24Latent Goal Prediction from Language for Model-Based Planning
LAGO는 언어 입력으로 중간 잠재 목표를 예측해 장기적 계획을 가능하게 하는 모델 기반 계획 프레임워크이다.
- #25SPARC: A Multi-Agent System for Electrical Circuit Question Answering
SPARC는 회로도 질문에 대해 물리 기반 시뮬레이션을 활용한 다중 에이전트 시스템으로 83% 정확도를 달성했다.