- #1PhysisForcing: Physics Reinforced World Simulator for Robotic Manipulation
PhysisForcing는 로봇 조작 시뮬레이션의 물리적 일관성을 향상시키기 위해 화소 및 의미 수준의 일치 손실을 결합한 훈련 프레임워크이다.
- #2Translation as a Bridging Action: Transferring Manipulation Skills from Humans to Robots
이 연구는 인간의 이중 팔 조작 행동을 로봇으로 전이하는 데, 회전 정보를 배제한 손목 이동량 기반의 "bridging action"을 제안한다.
- #3Object-Centric Residual RL for Zero-Shot Sim-to-Real VLA Enhancement
Zero-shot 방식으로 시뮬레이션에서 학습한 residual RL 정책을 실제 로봇에 적용하여 VLA 성능을 42%에서 76%까지 향상시킨다.
- #4Formalizing Latent Thoughts: Four Axioms of Thought Representation in LLMs
LLM의 잠재 사고 표현을 평가하기 위한 4가지 공리 기반 프레임워크를 제안하고, 23개 태스크에서 실패 원인을 분석한다.
- #5SimFoundry: Modular and Automated Scene Generation for Policy Learning and Evaluation
SimFoundry는 단일 영상에서 자동화된 시뮬레이션 환경을 생성하여 정책 평가 및 학습을 지원하는 모듈형 시스템이다.
- #6Fast LeWorldModel
Fast LeWorldModel은 LeWorldModel의 계산 비용과 오류 누적 문제를 해결한 빠른 잠재 세계 모델이다.
- #7EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting
EO-WM은 기상 조건을 고려한 확률적 지구 관측 예측을 위한 물리 기반 월드 모델이다.
- #7Qwen-RobotManip Technical Report: Alignment Unlocks Scale for Robotic Manipulation Foundation Models
Qwen-RobotManip은 대규모 데이터 정렬을 통해 로봇 조작 기초 모델의 일반화 성능을 획기적으로 향상시킨다.
- #8DanceOPD: On-Policy Generative Field Distillation
DanceOPD는 흐름 일치 모델에서 다양한 생성 능력을 통합하기 위한 온-폴리시 생성 필드 지도 프레임워크이다.
- #9In-Context World Modeling for Robotic Control
ICWM은 로봇 제어에서 새로운 환경에 대한 적응을 가능하게 하는 컨텍스트 기반 시스템 모델링 프레임워크이다.
- #10Confidence-Aware Tool Orchestration for Robust Video Understanding
Robust-TO는 신뢰도 기반 툴 활용로 영상 추론 성능을 향상시키는 에이전트 기반 프레임워크이다.
- #11Neglected Free Lunch from Post-training: Progress Advantage for LLM Agents
RL post-training을 활용해 step-level 평가를 위한 reward model을 별도로 학습할 필요를 제거한다.
- #12Hallucination in World Models is Predictable and Preventable
세계 모델에서의 환각은 예측 가능하고 예방 가능한 데이터 커버리지 문제임을 밝힘.
- #13OPID: On-Policy Skill Distillation for Agentic Reinforcement Learning
OPID는 언어 에이전트의 강화 학습에서 풍부한 스킬 지도를 제공하는 온-파일리 스킬 디스틸레이션 프레임워크이다.
- #14Qwen-Image-Agent: Bridging the Context Gap in Real-World Image Generation
Qwen-Image-Agent는 텍스트-이미지 생성 모델의 컨텍스트 갭 문제를 해결하기 위한 에이전트 기반 통합 프레임워크이다.
- #15Ko-WideSearch: A Korean Breadth-Search Benchmark for Exhaustive Set Enumeration by Web Agents
Ko-WideSearch는 한국어 웹 에이전트의 브레드스(전체 집합 열거) 탐색 능력을 평가하는 자동 생성-검증 파이프라인 기반의 벤치마크이다.
- #16The Verification Horizon: No Silver Bullet for Coding Agent Rewards
코드 생성 에이전트의 보상 설계는 생성 능력이 향상될수록 검증의 한계가 커진다.
- #17ViQ: Text-Aligned Visual Quantized Representations at Any Resolution
ViQ는 텍스트와 시각 정보를 통합한 이산 표현을 제공하며, 다양한 해상도에서 높은 정밀도와 효율성을 달성한다.
- #18JetSpec: Breaking the Scaling Ceiling of Speculative Decoding with Parallel Tree Drafting
JetSpec은 병렬 트리 드래프팅을 통해 투기 디코딩의 확장 한계를 돌파한 헤드 기반 프레임워크이다.
- #19GUI vs. CLI: Execution Bottlenecks in Screen-Only and Skill-Mediated Computer-Use Agents
GUI와 CLI 에이전트의 실행 한계를 동일 조건에서 비교한 벤치마크를 제시한다.
- #20Learning to Fold: prizewinning solution at LeHome Challenge 2026 (1st place online, 2nd offline)
LeHome Challenge 2026에서 1위(온라인), 2위(오프라인)를 달성한 VLA 정책 기반 이중 팔 옷 접기 시스템.
- #21Qwen-Image-2.0-RL Technical Report
Qwen-Image-2.0-RL은 RLHF와 OPD를 결합한 이미지 생성 모델 훈련 파이프라인으로, 시각 품질과 지시 준수 능력을 동시에 향상시킨다.
- #22Running the Gauntlet: Re-evaluating the Capabilities of Agents Beyond Familiar Environments
GauntletBench를 통해 현대 에이전트 시스템의 일반화 능력을 새로운 관점에서 평가한다.
- #23MultiHashFormer: Hash-based Generative Language Models
MultiHashFormer는 해시 기반 생성 언어 모델로, 매개변수 효율성을 유지하면서 성능을 향상시킨다.
- #24Why Multi-Step Tool-Use Reinforcement Learning Collapses and How Supervisory Signals Fix It
다중 단계 도구 사용 강화 학습에서 붕괴 현상을 분석하고 지도 신호로 안정화 방법을 제시한다.