- #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.
- #2UniTS: A Unified Multi-Task Time Series Model
UniTS는 다양한 타임시리즈 작업을 통합한 다중 작업 모델로, 38개 데이터셋에서 기존 모델을 상회하는 성능을 보인다.
- #3Efficient Streaming Audio-Visual Target Speaker Extraction for Real-World Acoustic Scenes
Falcon은 실시간 AVTSE에서 91.9% 파라미터 감소와 20.2× 계산량 절감을 달성한 효율적 모델이며, RealSSA는 실제 환경을 반영한 새로운 평가 기준이다.
- #4PDRVLA: A Vision-Language-Action Model with Physical Dynamics Representations
PDRVLA는 물리적 역학 정보를 활용한 VLA 모델로, 시뮬레이션 벤치마크에서 최대 99.3% 성공률 달성.
- #5Can 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.
- #6Time-R1: Post-Training Large Vision Language Model for Temporal Video Grounding
Time-R1은 강화학습 기반의 후-트레이닝 프레임워크로, 2.5K 데이터만으로 LVLM의 TVG 성능을 SOTA로 향상시킨다.
- #7Large Language Models as Urban Residents: An LLM Agent Framework for Personal Mobility Generation
LLM을 도시 거주자로 모델링한 개인 이동성 생성 프레임워크 LLMob을 제안하여 도시 이동성 분석의 새로운 가능성을 제시한다.
- #8From News to Forecast: Integrating Event Analysis in LLM-Based Time Series Forecasting with Reflection
LLM 기반 에이전트를 활용한 이벤트 분석을 통한 시계열 예측 정확도 향상.
- #9Vision-RWKV: Efficient and Scalable Visual Perception with RWKV-Like Architectures
Vision-RWKV(VRWKV)는 고해상도 이미지 처리에서 ViT 대비 10배 빠르고 80% 적은 메모리를 사용하는 시각 인식 모델이다.
- #10SageAttention: Accurate 8-Bit Attention for Plug-and-play Inference Acceleration
SageAttention은 8비트 정밀도로 주의 메커니즘을 정확하게 양자화하여, 다양한 모델에서 빠른 추론 속도와 거의 무시할 수 있는 정확도 손실을 달성한다.
- #11Superfiltering: Weak-to-Strong Data Filtering for Fast Instruction-Tuning
GPT-2를 사용한 데이터 필터링으로 LLaMA2 학습 성능을 향상시키며, 필터링 비용을 대폭 절감하는 Superfiltering 방법을 제안한다.
- #12The Dawn After the Dark: An Empirical Study on Factuality Hallucination in Large Language Models
LLM의 사실성 환각(Factuality Hallucination)을 탐지·원인 분석·완화 전략을 체계적으로 연구한 실증적 연구.
- #13CoR-GS: Sparse-View 3D Gaussian Splatting via Co-Regularization
CoR-GS는 점 불일치와 렌더링 불일치를 기반으로 스파스 뷰 3D Gaussian Splatting의 정확도를 향상시키는 코-정규화 방법이다.
- #14Toward Self-Improvement of LLMs via Imagination, Searching, and Criticizing
AlphaLLM은 MCTS와 LLM을 결합한 자가 개선 프레임워크로, 수학적 추론 과제에서 Llama-2-70B 기반 모델의 정확도를 57.8%에서 92.0%까지 향상시킨다.
- #265Multiscale Policy Optimization for Long-Horizon LLM Agents
MPO는 LLM 에이전트의 장기적 정책 최적화를 위해 턴과 토큰 스케일을 결합한 새로운 RL 방법이다.
- #278RynnWorld-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.
- #283ThinkWorld: 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.
- #308MLE-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.
- #309VibeVideoBench: 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.
- #310Zooming 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.
- #311What Outcome RL Buys: Finishing, Reliability, Rarely Reach
Outcome RL은 pass@1 성능을 높이지만, 대부분은 토큰 예산 내 완료율 개선이며, 새로운 지식은 거의 생성되지 않는다.
- #312Memory 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.
- #313Evaluating DeepSeek V4.1 Flash-1017 for loss of control and harmful manipulation risks
DeepSeek V4.1 Flash-1017은 EU AI Code of Practice 기준으로 평가받아 이전 모델 대비 안전성 향상이 확인되었으나, 평가 인식률과 실행 불일치가 여전히 존재한다.
- #314HABIT-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.
- #315CodeCap-Bench: Can Code Serve as a Good Video Caption?
코드 기반 비디오 캡션(CodeCap)이 자연어 캡션보다 시각 정보를 더 정확히 보존하며, 이를 평가하기 위한 CodeCap-Bench 벤치마크가 제안되었다.
- #316OmniShowcase: Omnidirectional Subject-Consistent Video Generation from Multi-View Images
OmniShowcase는 3D 자산 기반 멀티뷰 영상 생성과 표면법선 지도를 활용한 주체 일관성 유지 기법을 결합한 주체-일관성 비디오 생성 프레임워크이다.
- #317Sensorimotor Alignment: A Platonic Proxy for Embodied Policy Success
Sensorimotor Alignment (S²)는 로봇 정책 성능을 예측하는 오프라인 메트릭으로, 시각-언어-운동 표현의 일관성을 측정한다.
- #318Truncate or Not? A Scaling Study of Looped Transformers with Truncated Backpropagation
Looped Transformer에서 Truncated BPTT의 효과를 규명한 대규모 스케일링 연구.
- #319OvisOCR3 Technical Report
OvisOCR3는 0.8B 파라미터로 5가지 OCR 관련 작업을 통합 처리하는 모델로, 다양한 벤치마크에서 뛰어난 성능을 보인다.
- #320EmbeddingGemma 2: Unified and Efficient Multimodal Representations
EmbeddingGemma 2는 744M 파라미터의 오픈 소스 멀티모달 임베딩 모델로, 텍스트, 이미지, 오디오, 동영상 등을 통합된 공간에 매핑하며, 전문 모델 및 2~12배 큰 모델을 능가한다.