- #1Scaling in Games: Continued Pre-Training For Embodied Agents In Diverse Virtual Worlds
- #2CFG++: Manifold-constrained Classifier Free Guidance for Diffusion Models
CFG++는 확산 모델에서 텍스트 조건을 더 정확하게 반영하는 기하학적 접근을 통해 기존 CFG의 문제를 해결한 새로운 샘플링 방법이다.
- #3Agent World Model in the Wild: Computer-Use Agent Environment Synthesis
WildAWM은 GUI, CLI, MCP를 통합한 개방형 합성 환경을 생성하여 컴퓨터 사용 에이전트를 훈련하는 확장 가능한 파이프라인을 제안한다.
- #4Spectral-Spatial Interpretation
- #5WorldStream: Streaming Interactive 3D Worlds with Hierarchical Planning and Persistent State
WorldStream은 계획 및 구현을 통합한 지속적 상태를 갖는 3D 오픈월드 생성 시스템이다.
- #6DONIC: Generalist Dexterous Bimanual Tracking Control from Human Demonstrations
DONIC은 인간 시연을 기반으로 한 이족 조작 추적 제어 모델로, BiHOI 데이터셋과 혼합 학습을 통해 86.79%의 성공률을 달성합니다.
- #7Reasoning with Exploration: An Entropy Perspective
기반 탐색 강화로 언어 모델의 추론 능력을 극대화하는 새로운 RL 방법 제안.
- #8Arithmetic Control of LLMs for Diverse User Preferences: Directional Preference Alignment with Multi-Objective Rewards
DPA는 사용자 선호도를 방향 벡터로 모델링하여 LLM의 유연한 제어를 가능하게 하는 다목적 보상 기반 정렬 프레임워크이다.
- #9PyramidInfer: Pyramid KV Cache Compression for High-throughput LLM Inference
PyramidInfer는 LLM 추론 시 KV 캐시를 피라미드 구조로 압축하여 54% 이상의 GPU 메모리 절감과 2.2배의 처리량 향상을 달성한 방법이다.
- #10Towards Practical Real-Time Neural Video Compression
DCVC-RT는 1080p 영상에서 125.2/112.8 fps의 인코딩/디코딩 속도를 달성하며, H.266/VTM 대비 21%의 비트레이트 절감을 보이는 실시간 신경망 영상 압축 기술이다.
- #11Improving Diffusion Inverse Problem Solving with Decoupled Noise Annealing
DAPS는 역 문제 해결에서 확률적 확장과 안정성을 향상시키기 위해 확산 샘플링 과정에서 샘플 간 의존성을 분리하는 새로운 노이즈 에너징 프로세스를 제안한다.
- #12Hyper-SD: Trajectory Segmented Consistency Model for Efficient Image Synthesis
Hyper-SD는 ODE 트레jectory 보존과 재구성의 장점을 결합한 이미지 생성 효율화 프레임워크로, 1~8단계에서 SOTA 성능을 달성한다.
- #13SoTA with Less: MCTS-Guided Sample Selection for Data-Efficient Visual Reasoning Self-Improvement
ThinkLite-VL은 MCTS 기반 샘플 선택을 통해 소량의 데이터로 시각 추론 성능을 대폭 향상시키는 시스템이다.
- #14LoRA-GA: Low-Rank Adaptation with Gradient Approximation
LoRA-GA는 LoRA의 초기화를 개선하여 수렴 속도와 성능을 동시에 향상시키는 저비용 파인튜닝 방법이다.
- #15Long-form factuality in large language models
GPT-4를 기반으로 생성된 LongFact 데이터셋과 SAFE 평가기법을 통해 대형 언어 모델의 장문 응답 정확도를 체계적으로 평가한다.
- #161Building AI Research Teams for Autonomous Discovery of Linear Attention Architectures
- #267From VLM Planners to Robotic Agents: Self-Evolving Harnesses for History-Dependent Manipulation
SERA는 실행 경험을 기반으로 자기 진화하는 헤이브스를 통해 장기적 조작 작업 성능을 향상시키는 로봇 에이전트이다.
- #268Agentic World Action Models
AW-0는 코드 기반 계획과 예측 동작 모델을 통합한 에이전트 월드 액션 모델로, RoboTwin 2.0에서 71.1%의 평균 성능을 달성했다.
- #287StreamEval: Evaluating Interactive Streaming Video Generation Models
StreamEval은 실시간 인터랙티브 스트리밍 영상 생성 모델을 평가하는 통합 벤치마크로, 300개의 스크립트 테스트 케이스와 10개의 태스크별 메트릭을 기반으로 평가한다.
- #294Automating ML for Science: Can Frontier Agents Climb Scientific Hills in the Wild?
Agent4Sci는 과학 분야 머신러닝 벤치마크에서 최신 에이전트의 성능 향상 가능성을 평가하는 테스트베드로, Claude Opus가 10.4%의 평균 상대 개선을 달성했으나 대부분은 엔지니어링 기법에 의존한다는 점을 밝힘.
- #302Right Screen, Wrong Transition: World Models as Verifiers for GUI Agents
- #312SpatialScout: Can VLM Agents Actively Explore and Map 3D Scenes?
SpatialScout는 VLM 에이전트가 3D 장면을 자율 탐색하고 정확한 지도를 생성하는 능력을 평가하는 벤치마크이다.
- #313AgenticRoboRL: Bringing Coding-Agent Post-Training to Agentic Robotics
AgenticRoboRL은 로봇 플래너를 다양한 허네스에서 후-트레이닝하는 프레임워크로, LIBERO-PRO에서 성공률을 18.1%에서 71.0%까지 향상시킨다.
- #314Cache Engineering for Agents
LLM 에이전트의 KV 캐시 관리를 위한 새로운 기법인 캐시 엔지니어링과 이를 지원하는 AKV 서빙 엔진을 제안한다.
- #315Looking Ahead: Modeling Future Evolution in Autoregressive Video Generation
Future Chunk Prediction(FCP)을 통해 자동회귀 비디오 생성 모델의 시각적 진화 모델링을 효과적으로 향상시킨다.
- #316Language Models Learn to Improve Language Models
LLM을 강화학습으로 훈련해 모델 개선 제안을 생성하는 LM2LM 프레임워크를 제안하며, Qwen3.8-27B가 GPT-6-sol을 33% 낮은 데이터 생성 비용으로 초과 성능을 보인다.
- #317RoboCasa-Shift: Stage-Aware Robustness Evaluation of Vision-Language-Action Policies in Long-Horizon Household Manipulation
RoboCasa-Shift는 장기적 가정 내 조작 작업에서 VLA 정책의 단계별 내구성 평가를 위한 새로운 벤치마크이다.
- #318Hidden Messages Between Diffusion Language Model Agents: Causal Evidence for Latent Communication
- #319DiffResearch: Accelerating Deep Research with Diffusion Language Models
DiffResearch는 디퓨전 언어 모델(dLLM)을 핵심으로 사용해 연구 시스템의 끝에서 끝까지 처리 속도를 6배 가속화한 오픈 프레임워크이다.
- #320ACE-Brain-0.6: Scaling Spatial Grounding for Physical Foundation Models
ACE-Brain-0.6은 1.5백만 개의 검증 가능한 지도 데이터로 훈련되어 GPT-6 Astra를 7개 벤치마크 중 4개에서 초과하는 9B 스케일의 시각-언어 모델이다.