- #1GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives
GroundingPI는 4B 파라미터를 가진 시각적 원시 기반 지면 모델로, 34개의 지면 벤치마크에서 평균 73.68% 성능을 달성하며 물리적 지능 분야에서 뛰어난 전이 성능을 보인다.
- #2GaussianFormer: Scene as Gaussians for Vision-Based 3D Semantic Occupancy Prediction
GaussianFormer는 3D 가우시안을 기반으로 한 효율적인 3D 세마틱 오쿠퍼런시 예측 모델로, nuScenes와 KITTI-360 데이터셋에서 기존 최고 성능 모델 대비 17.8%~24.8%의 메모리 소비만으로 유사한 성능을 달성한다.
- #3Compact Language Models via Pruning and Knowledge Distillation
Nemotron-4 15B 모델을 2-4× 압축한 Minitron 모델은 40× 적은 훈련 데이터로 기존 모델과 유사하거나 더 높은 성능을 보인다.
- #4Defensive Unlearning with Adversarial Training for Robust Concept Erasure in Diffusion Models
AdvUnlearn은 적대적 훈련을 통합한 확고한 개념 제거 프레임워크로, 디퓨전 모델의 안전성과 생성 품질을 균형 있게 유지한다.
- #5BetterV: Controlled Verilog Generation with Discriminative Guidance
BetterV는 생성적 판별기를 결합한 지도 학습을 통해 Verilog 생성 성능을 향상시키는 프레임워크로, GPT-4보다 VerilogEval 벤치마크에서 우수한 결과를 보인다.
- #6Not All Language Model Features Are One-Dimensionally Linear
GPT-2와 Mistral 7B에서 일차원이 아닌 이차원 이상의 불가분 다차원 언어 모델 특성을 발견하고, 이들이 주간/월간 모듈러 연산 문제 해결에 사용됨을 실증적으로 보여준다.
- #7SGS-SLAM: Semantic Gaussian Splatting For Neural Dense SLAM
SGS-SLAM은 Gaussian Splatting 기반으로, RGB-D SLAM에서 최고 수준의 지도 재구성과 세분화된 세멘틱 세그멘테이션을 달성한 첫 번째 시스템이다.
- #8VLP: Vision Language Planning for Autonomous Driving
VLP는 언어 모델을 활용한 시각-언어-계획 프레임워크로, NuScenes 데이터셋에서 기존 최고 모델 대비 35.9%의 L2 오차 감소와 60.5%의 충돌률 감소를 달성했다.
- #9MathScale: Scaling Instruction Tuning for Mathematical Reasoning
MathScale은 GPT-3.5를 활용해 수학적 추론 데이터를 확장하고, MwpBench 벤치마크에서 42.9%의 micro average 정확도 개선을 달성한 수학 학습 모델 훈련 방법이다.
- #10Unique3D: High-Quality and Efficient 3D Mesh Generation from a Single Image
Unique3D는 단일 이미지에서 고해상도, 정교한 3D 메시를 30초 이내에 생성하는 새로운 이미지-3D 생성 프레임워크이다.
- #11VGGT-SLAM: Dense RGB SLAM Optimized on the SL(4) Manifold
VGGT-SLAM은 SL(4) 다양체 최적화를 통해 비보정 단일 카메라로 밀집 RGB SLAM을 수행하는 시스템이다.
- #271Dex-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.
- #286S-Space: Exploring Spatial Workspace in Multimodal Language Models
S-Space는 MLLM 내부에서 공간 정보를 인코딩하고 추론하는 3차원 선형 부분공간으로, 공간 판단을 정확히 지원하며 공간 추론 실패를 진단하는 도구로 활용된다.
- #304AgentSWE: Can Coding Agents Build the Agent You Actually Want?
AgentSWE는 코드 생성 에이전트가 실제 요구사항을 충족하는 에이전트를 생성하는 능력을 평가하는 벤치마크로, 생성-편집-최적화 3단계를 포함한다.
- #305Thinking Inertia: LLMs Keep Thinking When Told Not To
LLMs의 "no-thinking" 동작은 명시적 제어에도 불구하고 "Thinking Inertia"를 보이며, 엄격한 평가 체계가 필요하다.
- #306Scaling Agentic Data for Long-Horizon Terminal Intelligence
TerminalHorizon-27B는 1.5K 환경에서 생성된 2.85K 트래젝토리로 학습하여 12개 벤치마크에서 13.85% 이상 성능 향상.
- #307Humanity's Sixth Sense: Benchmarking Intuitive Visual Reasoning in Multimodal Models
인간의 직관적 시각 추론 능력을 측정하는 새로운 벤치마크 HSS를 제시하며, GPT-6-astra가 53.6% 정확도에 그친 반면 인간은 93.1%를 달성했다.
- #308Encore: Few-Shot Agentic Discovery of Manipulation Strategies
ENCORE는 소수의 시연을 바탕으로 로봇 조작 정책을 생성하는 에이전트 프레임워크로, LIBERO-PRO에서 96.3% 성공률을 달성한다.
- #309VIS-Ground: Video Interactive Storytelling with Contextual Grounding
VIS-Ground는 상호작용적 영상 생성 시 맥락 기반 제약을 통합해 생성 품질을 10.3점 평균 향상시킨다.
- #310TouchScale: 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.
- #311GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed
GroundAnything는 4B 파라미터를 가진 디퓨전 기반 모델로, 빠른 병렬 디코딩과 정밀한 시각 정착을 동시에 달성한다.
- #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.
- #313Distributionally Robust Mixture-of-Experts Training
DRMoET는 불완전한 라우팅 상황에서도 신뢰할 수 있는 MoE 모델 학습을 위한 분포적 강건성 최적화 방법이다.
- #314Multi-Stream Attention Residuals
MSAR은 다중 스트림 어텐션 잔여 연결을 통해 28B MoE 모델에서 1.58×의 계산 가속화를 달성한 새로운 잔여 아키텍처이다.
- #315Relevance Does Not Imply Applicability: Experience Activation for Personal GUI Agents
ExpActivator는 GUI 에이전트의 개인화 실행과 프로액티브 제안을 28% 향상시키는 트레이닝 없는 경험 활성화 프레임워크이다.
- #316Less 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.
- #317ThinkDrag: Semantic Drag-Based Image Editing with Visual Reasoning
ThinkDrag은 시맨틱 드래그 기반 이미지 편집을 위한 시각적 추론을 결합한 통합 멀티모달 프레임워크이다.
- #318Contextual Correction of Parallel Draftsfor Speculative Decoding
DCOCO는 병렬적으로 생성된 토큰 블록의 내부 의존성을 복원하여 추론 속도를 6.6×까지 향상시키는 경량 정정 모듈이다.
- #319CrossTimeEdit: A Decade-Spanning Cross-View Dataset and Reward-Guided Editing for Historical Street-View Generation
CrossTimeEdit은 역사적 스트리트뷰 생성을 편집 문제로 재구성한 모델로, VIGOR-his 데이터셋과 강화학습 기반의 3가지 편집 기준을 통해 17.12% 성능 향상을 달성했다.
- #320MetaKernelBench: Measuring GPU Kernel Knowledge Transfer Beyond Code
MetaKernelBench는 동일 문제에서 다른 DSL 간 GPU 커널 지식 전이를 평가하는 벤치마크로, 74개 문제와 6개 모델을 기반으로 성능 향상 및 후퇴를 측정한다.