- #1DiffusionART: Efficient, Stable and Scalable Reinforcement of Diffusion Models
DiffusionART는 EMA 없이 안정적이고 효율적인 디퓨전 모델 강화 학습을 위한 새로운 알고리즘으로, HunyuanVideo-13B에서 12배 이상의 GPU 시간 절약과 28.8%~53.0% 높은 평균 보상 성능을 달성한다.
- #2World4Drive: End-to-End Autonomous Driving via Intention-Aware Physical Latent World Model
World4Drive는 주행 의도를 반영한 물리적 잠재 세계 모델을 통해 주변 환경 인식 없이도 뛰어난 자율 주행 성능을 달성하는 end-to-end 프레임워크이다.
- #3Contextual Correction of Parallel Draftsfor Speculative Decoding
DCOCO는 병렬적으로 생성된 토큰 블록의 내부 의존성을 복원하여 추론 속도를 6.6×까지 향상시키는 경량 정정 모듈이다.
- #4SWE-Duel: Towards a Self-Scaling Arena for Coding Agents
SWE-Duel은 코딩 에이전트 간 상호 평가를 통해 스스로 확장하는 벤치마크를 구현한 시스템으로, 1,500회 대결에서 GPT-5.5가 98.3%의 결함 수리 성능을 보였다.
- #5PuLID: Pure and Lightning ID Customization via Contrastive Alignment
PuLID는 텍스트-이미지 생성에서 ID 맞춤화를 위한 튜닝 없는 방법으로, 대조적 정렬과 정확한 ID 손실을 통해 높은 ID 유사도와 편집성을 달성한다.
- #6SANA 1.5: Efficient Scaling of Training-Time and Inference-Time Compute in Linear Diffusion Transformer
SANA-1.5는 텍스트-이미지 생성에서 학습 및 추론 시간의 계산 효율성을 동시에 달성한 선형 디퓨전 트랜스포머 모델이다.
- #7MambaIRv2: Attentive State Space Restoration
MambaIRv2는 Mamba의 인과성 제약을 극복한 주목 기반 상태공간 복원 모델로, 단일 스캔과 0.35dB PSNR 개선을 달성한다.
- #8Towards Understanding Cross and Self-Attention in Stable Diffusion for Text-Guided Image Editing
Stable Diffusion에서의 Cross-Attention과 Self-Attention 분석을 통해 텍스트 유도 이미지 편집 성능을 개선한 Free-Prompt-Editing(FPE) 방법을 제안한다.
- #9SHViT: Single-Head Vision Transformer with Memory Efficient Macro Design
SHViT는 메모리 효율적인 설계를 통해 ImageNet-1k에서 1.3% 더 정확하고 3.3× 빠른 추론 속도를 달성한 Single-Head Vision Transformer이다.
- #10WildGaussians: 3D Gaussian Splatting in the Wild
WildGaussians는 3D Gaussian Splatting(3DGS)에 외부 조건 변화와 가려짐 처리를 추가한 실시간 렌더링 기반 3D 재구성 모델이다.
- #11The Surprising Effectiveness of Negative Reinforcement in LLM Reasoning
음성 샘플 강화(NSR)만을 사용해도 LLM의 추론 성능을 크게 향상시킬 수 있음을 밝힌 연구.
- #12ColPali: Efficient Document Retrieval with Vision Language Models
ColPali는 문서 페이지 이미지를 직접 임베딩하여 효율적인 문서 검색을 수행하는 VLM 기반 모델로, ViDoRe 벤치마크에서 기존 파이프라인을 크게 앞선다.
- #13Oryx MLLM: On-Demand Spatial-Temporal Understanding at Arbitrary Resolution
Oryx는 다양한 해상도와 시간 길이의 시공간 데이터를 효율적으로 처리하는 MLLM으로, OryxViT와 Dynamic Compressor를 통해 고정 해상도 제약을 극복한다.
- #55SoftwareGym: Scaling Computer-Use Agent Training with Diverse Synthesized Software Environments
- #305S-Space: Exploring Spatial Workspace in Multimodal Language Models
- #306Dex-One2Many: Learning Dexterous Manipulation from a Single Human Demonstration
Dex-One2Many는 단일 인간 동영상으로부터 다목적 다지 다exterous 조작 정책을 학습하는 real-to-sim-to-real 프레임워크로, 5개의 실제 작업에서 71%의 성능 향상을 달성한다.
- #307Reflex: Visually Grounded Reactive Humanoid Control
Reflex는 시각 기반 반사적 인간형 로봇 제어를 위한 3단계 학습 프레임워크로, 시뮬레이션에서 85.7%의 포물선 물체 포착 성공률을 달성한다.
- #308TouchScale: 500 Hours of Human Vision and Touch for Visual-Tactile Learning
TouchScale는 500시간의 인간 시각-촉각 데이터를 기반으로, 로봇 제어 및 감각 학습 성능을 향상시키는 대규모 일관된 데이터셋이다.
- #309Encore: Few-Shot Agentic Discovery of Manipulation Strategies
ENCORE는 소수의 시연을 바탕으로 로봇 조작 정책을 생성하는 에이전트 프레임워크로, LIBERO-PRO에서 96.3% 성공률을 달성한다.
- #310VisionWeave: Weaving Elastic Visual Representations as a Native Capability of MLLMs
VisionWeave는 MLLM 내부에서 시각 정보의 내용에 따라 탄성적으로 토큰을 할당하는 기능을 구현하여, 43.0%의 토큰 절감과 98.9%의 성능 유지라는 뛰어난 효율-품질 균형을 달성한 시스템이다.
- #311Here the World in Stereo: Learning Dynamic Spatial Correspondence for Immersive Joint Video-Audio Generation
StereoBind는 시각적 소스의 움직임과 입체 음향을 동적으로 연결하여 공간 일관성을 향상시키는 첫 번째 트랙-조건부 비디오-오디오 생성 프레임워크이다.
- #312Can AI Agents Learn Their Way to the Top? Evaluating Heuristic Learning in a Long-Running Game Agent Competition
AHL을 통해 AI 에이전트가 12개 게임에서 6개 랭킹 1위 달성, 1,920개 인간 프로그램과 비교.
- #313Continually Post-training Small Models via Synthetic Self-distillation
소규모 모델의 지속 학습을 위한 합성 자기-디스틸레이션(SynthSelf)을 제안하여 기존 SDFT의 한계를 극복한다.
- #314Work2Skill: Capturing Human GUI Experience for Reusable Agent Skill Induction
Work2Skill은 인간 GUI 경험을 수집하고 재사용 가능한 에이전트 기술로 변환하는 프레임워크로, WorkRecorder와 WorkDemo-350 데이터셋, 에이전트 기반 기술 유도 방법을 제안한다.
- #315SepGen: Multi-Stem Audio-Video Separation and Generation in a Single Model
SepGen은 단일 모델로 영상, 사운드 믹스, 각 소스의 웨이브폼을 생성하거나 분리하는 4D 오디오-비주얼 시스템이다.
- #316Distributionally Robust Mixture-of-Experts Training
- #317Less from More: Reinforcing Sparse Video Reasoning from Dense References
SAVER는 1,250개의 타임라인 접착 예시만으로 희소 프레임에서도 신뢰성 있는 영상 추론을 학습하는 강화 학습 기반 프레임워크이다.
- #318ThinkDrag: Semantic Drag-Based Image Editing with Visual Reasoning
ThinkDrag은 시맨틱 드래그 기반 이미지 편집을 위한 시각적 추론을 결합한 통합 멀티모달 프레임워크이다.
- #319Learning Representations to Guide Pixel Diffusion Transformers
- #320Inducing Process Supervision from Outcome-Only Reinforcement Learning