- #2SAFE: Multitask Failure Detection for Vision-Language-Action Models
SAFE는 다양한 VLA 정책에서 실패를 멀티태스크로 탐지하는 실험적 성능을 갖춘 실패 탐지 모듈이다.
- #3GameFactorly: Creating New Games with Generative Interactive Videos
GameFactory는 GF-Minecraft 데이터셋과 도메인 어댑터를 활용해 액션 제어와 장면 일반화를 동시에 달성하는 게임 생성 프레임워크이다.
- #4EIA: Environmental Injection Attack on Generalist Web Agents for Privacy Leakage
EIA는 웹 에이전트의 자율성을 악용해 사용자 PII를 유출하는 새로운 공격 방식으로, 최대 70%의 공격 성공률을 보인다.
- #5LongWriter: Unleashing 10,000+ Word Generation from Long Context LLMs
LongWriter는 AgentWrite 파이프라인과 LongWriter-6k 데이터셋을 통해 기존 LLM의 출력 길이를 10,000단어 이상으로 확장하는 기법을 제시한다.
- #6OmniHuman-1: Rethinking the Scaling-Up of One-Stage Conditioned Human Animation Models
OmniHuman-1은 다양한 조건(오디오, 포즈, 텍스트)을 결합한 확장 가능한 인간 애니메이션 생성 모델로, Diffusion Transformer 기반의 데이터 믹싱 전략을 통해 데이터 확장을 실현한다.
- #7dKV-Cache: The Cache for Diffusion Language Models
dKV-Cache는 확산 언어 모델(DLM)의 추론 속도를 2~10배 가속화하는 지연형 키-밸류 캐시 메커니즘을 제안한다.
- #8Consistency Models Made Easy
ECT는 기존 CM 학습 시간을 1/4~1/3로 줄이며, 2-step FID 2.73을 1시간 내 A100 단일 GPU에서 달성하는 CM 학습 효율화 기법이다.
- #9WavLLM: Towards Robust and Adaptive Speech Large Language Model
WavLLM은 듀얼 인코더와 프롬프트 인식형 LoRA 어댑터를 결합한 커리큘럼 학습 기반 스피치 대형 언어 모델로, 다양한 음성 작업에서 최첨단 성능을 보인다.
- #10EfficientQAT: Efficient Quantization-Aware Training for Large Language Models
EfficientQAT는 블록별 파라미터 학습과 엔드투엔드 정량화 파라미터 학습을 결합해 대규모 언어 모델의 정량화 성능을 향상시키는 새로운 QAT 알고리즘이다.
- #11Visual In-Context Learning for Large Vision-Language Models
LVLM에서 ICL 성능을 향상시키기 위해 Visual Demonstration Retrieval, Intent-Oriented Image Summarization, Demonstration Composition을 결합한 VICL 방법을 제안한다.
- #286WebAnything: From the Wild Web to Scalable Agent Environments
WebAnything은 실제 웹사이트를 기반으로 자동화된, 재사용 가능한 웹 에이전트 환경을 생성하는 프레임워크로, 244개 웹사이트 아티팩트와 12,984개 작업을 지원하며 Qwen3.5-9B 모델 성능을 9.9%포인트 개선한다.
- #297Intrinsic Distribution Matching
Intrinsic Distribution Matching (IDM)은 생성 모델의 EMA 특성을 활용해 분포 일치를 향상시키며, 2회 네트워크 평가에서 LongText-Bench에서 최고 성능을 달성한다.
- #305Read, Allocate, Route: Role-Coupled Tokenization for Pixel-Space Generative Transformers
SpecSlot은 고주파 세부 정보를 지역적으로 처리함으로써 전역 어텐션 비용을 줄이는 픽셀 공간 생성 트랜스포머를 제안한다.
- #306Youtu-Parsing-Omni: One Encoder, One Schema, All Modalities
Youtu-Parsing-Omni는 하나의 인코더와 스키마로 다중 모달리티를 통합 파싱하는 시스템으로, 단일 5B 파라미터 모델로 OmniDocBench v1.6에서 96.96 점을 달성한다.
- #307A-RSI: Adaptive Task Refresh for Zero-Data Multimodal Self-Improvement
A-RSI는 학습 신호 감소를 기반으로 태스크 풀을 갱신하며, 모델 생성 프로그램을 통해 라벨 없이 멀티모달 학습을 수행하여 성능을 57.77에서 61.05로 향상시킨다.
- #308Your Benchmark Is an Empirical Measure Over Difficulty
본 연구는 벤치마크를 난이도에 대한 경험적 측도로 재해석하고, 이를 통해 두 가지 주요 실패 모드를 정식화하고 진단 지표를 제안한다.
- #309WeVisCut: The Whole Editing Room in One Agent From Narration to Long-Form Video
WeVisCut은 단일 9B 정책을 통해 스크립트에서 장편 동영상을 생성하는 시스템으로, 130K 개의 학습 예시와 33배 적은 토큰 소비로 Claude Opus 5와 유사한 성능을 달성한다.
- #310Look Only When Needed: Certificate-Guided Visual Routing for Efficient Diffusion VLMs
LOWN은 이미지 처리를 필요한 경우에만 수행하는 시각 라우팅 방식으로, LLaDA-V 기반 모델에서 99.6% 성능 유지에 35.3%의 FLOPs만 사용한다.
- #311IntReal: A Real-World Dataset and Benchmark for Multimodal Interleaved Generation
IntReal은 실제 세계 멀티모달 인터리빙 생성을 위한 데이터셋과 평가 벤치마크로, 7차원 평가 시스템과 100K 개의 품질 높은 샘플을 제공한다.
- #312Proving and Improving the Platonic Representation Hypothesis with JEPAs
JEPAs를 통해 플라톤적 표현 가설을 정리화하고, 좋은 뷰가 표현 정렬을 42배 적은 샘플로 향상시킴.
- #313VibeGame: Prompt-to-Game Development with AI-Native Engine and Self-Evolving Adversarial Agent Team
VibeGame은 자연어 프롬프트와 이미지로 2D 게임을 생성하는 AI 네이티브 엔진과 자율 진화하는 대립 에이전트 팀을 결합한 프레임워크이다.
- #314L3G-World: Real-Time Infinite World Generation with Latent 3D Gaussian Memory
L3G-World는 실시간으로 공간 일관성을 유지하면서 38.6배 적은 3D 원시체를 사용해 무한 세계를 생성하는 시스템이다.
- #315WorkFactory: Turning Professional Intents into Executable Work for Scalable Agent Training
WorkFactory는 112,686개의 전문직 태스크를 생성해 Qwen 모델을 4B, 27B, 35B-A3B 규모로 미세조정하여 WorkPilot 계열 모델을 개발한 스케일러블 프레임워크다.
- #316A Broader Look into MLLM's Retrieval Heads
다중모달 대형 언어 모델(MLLM)의 retrieval heads가 새로운 모달(음성-비주얼)로 확장되며, 이를 직접 최적화함으로써 문서 검색 성능을 향상시킨다.
- #317CausGround: Causal Interaction Grounding for Adaptive Embodied Planning
CausGround는 환경별 상호작용 역학을 파라미터 업데이트 없이 계획에 적응시키는 인과 상호작용 기반 프레임워크로, 다양한 시뮬레이션 및 실제 환경에서 성능 향상이 입증되었다.
- #318HairDeck: Animation-Ready Stylized Hair Cards from a Single Image
HairDeck은 단일 이미지에서 애니메이션 가능한 스타일화 헤어 카드를 생성하는 시스템으로, 기존 CHARM 대비 44%의 Chamfer 거리 감소와 33배 빠른 속도를 달성한다.
- #319Co-Design Bench: Multimodal Collaborative Coding Evaluation for Agentic Models
Co-Design Bench는 실제 사용자 요청을 기반으로 AI와 협업하는 코드 생성 모델을 평가하는 다모달 벤치마크로, 273개의 테스크와 2,331개의 숨겨진 기준을 포함한다.
- #320RealCLI: Toward a Unified Evaluation of Human-Agent Collaboration for CLI Agents
REALCLI는 CLI 에이전트의 작업 수행 능력과 인간-에이전트 협업 품질을 통합적으로 평가하는 새로운 벤치마크이다.
- #321PersonaCUABench: Benchmarking Computer-Use Agents Serving Diverse Personas
PersonaCUABench는 다양한 사용자 인격에 따라 컴퓨터 사용 에이전트(CUA)를 평가하는 벤치마크로, 기존 평가 방식의 한계를 드러냅니다.
- #322PhysInsert: Physically Plausible Object Insertion with Geometric Priors and Bidirectional Object-Scene Interactions
PhysInsert는 물리적으로 타당한 객체 삽입을 위해 기하학적 정보와 이중 방향 객체-환경 상호작용을 결합한 프레임워크이다.