- #1The Trinity:Capability-Driven Recursive Self-Improvement for Multimodal Agents
The Trinity는 Creator, Explorer, Evolver 세 가지 역할을 통해 다모달 에이전트의 재귀적 자기 개선을 구현한 프레임워크로, 28개 훈련 벤치마크에서 평균 성능을 34점 향상시킨다.
- #2KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills
KungfuBot은 물리 기반 모션 처리와 적응적 추적을 통해 인도이드 로봇이 고속 동작을 학습하는 새로운 제어 프레임워크이다.
- #3SO-101 Bench: Accessible Spatial Manipulation
SO-101 Bench는 저비용 로봇 팔에서 언어 조건을 기반으로 한 공간 조작을 평가하는 시뮬레이션 벤치마크로, 실제 로봇과 동일한 순위를 재현한다.
- #4TUMTraf V2X Cooperative Perception Dataset
TUMTraf-V2X 데이터셋과 CoopDet3D 모델을 제안하여 협력적 3D 객체 탐지 성능을 +14.3 3D mAP 향상시킴.
- #5HD-EPIC: A Highly-Detailed Egocentric Video Dataset
HD-EPIC는 41시간 분량의 집중적 주방 내 체험 기반 1인칭 영상 데이터셋으로, 3D 디지털 트윈과 고밀도 라벨을 통해 다양한 비전-언어 모델 평가에 활용된다.
- #6Rollback: Experience Backtracking in World Models for Policy Improvement
Rollback은 경험 역추적을 통해 월드 모델을 카운터팩트 엔진으로 전환하여 로봇 정책을 개선하는 새로운 학습 패러다임이다.
- #7PDRVLA: A Vision-Language-Action Model with Physical Dynamics Representations
PDRVLA는 물리적 역학 정보를 활용한 VLA 모델로, 시뮬레이션 벤치마크에서 최대 99.3% 성공률 달성.
- #8Hy-Nomas: Towards Free-form Interactive World Generation
- #9Can Discrete Tokens Serve as Semantically Lossless Representations of Visual Signals?
이 연구는 이산 시각 토큰이 시각 신호의 의미적 손실 없이 표현 가능한지 탐구하며, Factorized Vector Quantization(FVQ)를 제안해 기존 이론을 재정의한다.
- #10SafeChain: Safety of Language Models with Long Chain-of-Thought Reasoning Capabilities
SafeChain은 CoT 형식의 안전성 훈련 데이터셋으로, DeepSeek-R1 모델의 안전성을 향상시키며 추론 성능을 유지한다.
- #11Binding Touch to Everything: Learning Unified Multimodal Tactile Representations
UniTouch는 다양한 시각 기반 촉각 센서를 통합하여 시각, 언어, 소리 등 다른 모달리티와 연결하는 통합된 촉각 표현 모델이다.
- #12Safety Fine-Tuning at (Almost) No Cost: A Baseline for Vision Large Language Models
VLGuard 데이터셋을 활용한 안전 정제가 VLLM의 해로운 출력을 줄이며 성능 저하 없이 안정성을 향상시킨다.
- #13GraphRouter: A Graph-based Router for LLM Selections
GraphRouter는 그래프 기반 인덕티브 프레임워크를 통해 LLM 선택 문제를 해결하며, 새로운 LLM에 대한 일반화 능력을 갖춘 라우터를 제안한다.
- #14Measuring Sycophancy of Language Models in Multi-turn Dialogues
SYCON Bench를 통해 대화 중 언어 모델의 서코판시(sycophancy) 행동을 다중 턴에서 정량적으로 평가하고, 17개 모델을 대상으로 다양한 시나리오에서 실험한 결과를 제시한다.
- #15M3CoT: A Novel Benchmark for Multi-Domain Multi-step Multi-modal Chain-of-Thought
M$^3$CoT는 다영역, 다단계, 다모달 체인-오브-사고를 평가하는 새로운 벤치마크로, 기존 MCoT의 한계를 해결하고 VLLM의 성능 격차를 드러낸다.
- #16When Benchmarks are Targets: Revealing the Sensitivity of Large Language Model Leaderboards
LLM 리더보드는 MMLU와 같은 MCQ 벤치마크의 미세한 변화에 따라 최대 8위까지 순위가 변동된다.
- #278ChronoReplay: One Answer Interface Is Not Enough for Streaming Spatial Intelligence
ChronoReplay는 단일 응답 인터페이스에 의존하는 공간 VLM 학습의 한계를 극복하기 위해 이질적 감독을 순차적 에피소드로 재현하는 방법을 제안한다.
- #285RynnWorld-Latent: A Cross-Embodiment World Model Conditioned on Universal Latent Actions
RynnWorld-Latent는 다양한 로봇 및 인간 상호작용 영상에서 학습 가능한 세계 모델로, 공유된 3D 기반 잠재 행동(latent action)을 조건으로 사용한다.
- #292ThinkWorld: World Imagination Reinforces Chain-of-Dynamics Reasoning
ThinkWorld는 인간 동영상과 로봇 시연을 결합한 Chain-of-Dynamics(CoD) 기반 VLA 학습 프레임워크로, 강화 학습을 통해 세계 상상력을 기반으로 행동 추론을 강화한다.
- #294h1: A Taste of the Bitter Lesson in Automated Theorem Proving
h1은 복잡한 워크플로우 없이 단순한 에이전트 루프로 정식 증명 성능을 최적화한 시스템으로, PutnamBench 등에서 최신 기록을 달성한다.
- #311Multiscale Policy Optimization for Long-Horizon LLM Agents
MPO는 LLM 에이전트의 장기적 정책 최적화를 위해 턴과 토큰 스케일을 결합한 새로운 RL 방법이다.
- #312Ψ-0.6: Adaptive Streams of Thought in a Unified Vision-Language World Model
Ψ-0.6은 시각-언어-기하학적 추론을 통합한 단일 모델로, 강화 학습을 통해 적응적 추론을 학습한다.
- #313Cross-modal Steering Vectors Exist Across Both Image and Text Generation
다양한 개념에 대해 텍스트-이미지 간 제로샷 크로스모달 스티어링 벡터가 존재함을 실증적으로 보여준다.
- #314Zooming without Zooming v2: From Seeing Details to Connecting Evidence for Generalizable Multimodal Perception
ZwZ2는 EvidenceConnect 데이터 합성 프레임워크와 RLVR를 통해 생성된 데이터로 학습하여 다중모달 인지 능력을 일반화적으로 향상시킨다.
- #315MLE-World: Predicting Machine Learning Experiment Outcomes with a Learned World Model
MLE-World는 Qwen3.5-4B를 기반으로 학습된 월드 모델로, ML 실험 결과를 예측해 실제 실행 없이 효율적인 검색을 가능하게 한다.
- #316VibeVideoBench: Evaluating Multimodal Agents on Code-Driven Video Generation
VibeVideoBench는 코드 기반 동영상 생성 능력을 평가하는 새로운 벤치마크로, 239개의 영어 및 중국어 태스크를 통해 9개의 최첨단 에이전트를 평가한다.
- #317Beyond the Estimate: Wiener-Informed Decoding for Easier Training of Pixel-Space Flow Models
Wiener-informed Decoding(WiD)는 픽셀 공간 흐름 모델의 학습을 가속화하고 생성 품질을 향상시키는 통계 기반 디코딩 방법이다.
- #318Memory Tax: Dissecting the Net Value of Agent Memory
장기 기억 시스템의 순 가치를 RAG 기준으로 분석하여 "메모리 택스" 개념을 제시하고, 여러 벤치마크에서 음의 순 가치를 보이는 사례를 밝힘.
- #319HABIT-Bench: Evaluating Habit Induction from Longitudinal Weak Evidence in Agent Memory
HABIT-Bench는 대형 언어 모델이 장기적 사용자 상호작용에서 습관을 추론하고 적용하는 능력을 평가하는 벤치마크로, 4개 도메인에서 최고 33.61%의 정확도를 기록했다.
- #320What Outcome RL Buys: Finishing, Reliability, Rarely Reach
Outcome RL은 pass@1 성능을 높이지만, 대부분은 토큰 예산 내 완료율 개선이며, 새로운 지식은 거의 생성되지 않는다.