MTEB와 같은 임베딩 벤치마크는 모델당 하나의 점수를 보고하며, 이는 강건성을 정적이고 스칼라적인 속성으로 암묵적으로 취급한다. 우리는 모델이 서로 다른 유형의 변형에 다르게 반응하므로 임베딩 강건성은 다차원적이며, 정적 벤치마크에 가려진 실패를 드러내기 위해서는 동적 평가가 필요하다고 주장한다. 우리는 평가 시점에 LLM을 사용해 입력을 확률적으로 변환함으로써, 실용적으로 해석 가능한 세 가지 축(어휘/문체, 길이, 언어)에 걸쳐 모델의 강건성을 시험하는 동적 평가 프레임워크인 Harder Text Embedding Benchmark(HTEB)를 제안한다. 영어 하위 샘플에 대한 4,800건의 개별 사람 평가로 검증된 변환 하에서, 42개 언어를 포괄하는 32개 데이터셋에서 16개의 오픈 가중치 임베딩 모델을 평가하고, 여기에 스페인어 원문 평가와 쌍 수준 레이블 보존에 대한 탐색적 STS-B 연구를 보완하여 세 가지 패턴을 발견했다. (1) 모델은 축별로 특정하며 부분적으로 분리된 강건성 프로필을 보인다. (2) 세 모델 계열 전반에서 규모를 키우면 절대 점수는 높아지지만 원본 평가와 변환된 평가 간의 격차는 좁혀지지 않는다. 여기서 스케일링은 특히 언어 축을 개선하는 경향이 있다. (3) 영어 데이터셋은 다국어 데이터셋보다 HTEB 변환에 더 민감하다. 이는 HTEB가 배포 환경과 관련된 축에 따라 모델의 강점과 약점을 식별함을 보여 주며, 현재의 임베딩 벤치마크에 도전하고 다차원적이며 동적인 강건성 평가를 지지한다. 우리는 HTEB를 실행하는 코드를 공개한다.
스마트 글래스上的 동영상 녹화는 얼굴만 노출하는 것이 아니다. 연속 캡처는 보행(gait), 자세(posture), 실루엣(silhouette) 등을 포함한 전신 생체인식 특징을 드러내며, 이는 기존의 얼굴 익명화(face sanitization) 이후에도 사람 재식별(person re-identification, ReID)을 가능하게 한다. 우리는 전신 프라이버시를 강제하고, 합성적 전신 대체를 지원하며, 동의 기반 복원을 위해 암호화된 복구 자료를 보관하는 프라이버시 보호 스mart glasses용 3단 아키텍처인 MIRAGE를 제시한다. MIRAGE는 Raspberry Pi 5(스mart glasses 연산을 대체하는 CPU 전용 프록시), 동반 스martphone, 클라우드 생성형 백엔드에 구현했다. 선행 시스템과 비교할 때 MIRAGE는 완전히 보이는 신체를 정확히 검출하면서 AP 0.948, AR 0.976을 달성한다. 경계 상자(bounding box) 마스킹은 학습 기반 실루엣 ReID를 사실상 무작위 추측 수준으로 낮추며, Rank-1 정확도는 측정된 우연 수준 11.12%에 비해 10.86%이다. MIRAGE의 정화된 포즈 신호로 재학습한 적응형 적(adaptive adversary)에 대해서도 Rank-1 보행 식별 정확도는 90.25%에서 26.20%로 떨어져, 적의 식별 이점의 72.5%를 제거한다.
개방형·분리형 6G 무선 접속망(RAN)이 발전함에 따라, 시스템이 멀티 벤더를 수용할 수 있을 것으로 기대된다. 멀티 벤더를 수용하려면, 동시에 존재하는 운영자 인텐트(intent)와 신뢰할 수 없는 모델 입력 아래에서도 AI 지원 제어 루프가 안전하고, 검증 가능하며, 감사 가능한 상태로 유지되는 것이 필수적이다. 기존 연구들은 에이전트 기반 협조(agentic coordination), 형식적 인텐트 제약, 제로 트러스트 프롬프트 검증, 암호학적 책임성(accountability)을 각각 따로 다루고 있으며, 이 때문에 이들을 개별적으로 사용할 경우 사전 실현 단계의 안전성, 지속적인 의미론적 검증, 도메인 간 감사가 불완전하게 남는다. 이에 본 논문에서는 앞서 언급한 네 가지 기본 요소를 비실시간 RIC와 준실시간 RIC 전반에 걸쳐 통합하는 영지식 감사 가능 제어 및 제로 트러스트 검증 가능 에이전트 인텐트 아키텍처($Z^2$-ACT)를 제안한다. 운영자의 목표를 타입이 지정된 인텐트 계약(Intent Contract)으로 인코딩하며, 대규모 언어 모델(LLM)의 입력은 실용적인 적대적 인텐트 검사를 통과한 후에만 허용된다. 제안하는 연구에서 스킬 시퀀스는 자기 관리(self-management) 게이트가 충족될 때에만 해제되며, 성공한 모든 커밋은 영지식 증명과 함께 바인딩 커밋먼트(binding commitment)로 기록된다. 공개 ColO-RAN 측정 데이터를 사용한 실험 평가에서는 전체 아키텍처를 목표 대상 어블레이션 및 기존 강화학습 기준선과 비교한다. 비실시간 경로에서는 실제 대규모 언어 모델을 사용해 운영자 인텐트를 인텐트 계약으로 변환하며, 변환 정확도, 유효하지 않거나 환각된 계약의 비율, 비실시간 지연 시간, 그리고 적대적이거나 오해를 유발하는 인텐트 하에서의 동작을 보고한다. 준실시간 제어는 공개 KPM 시퀀스에 대한 트레이스 기반으로 유지된다. 결과는 준실시간 범위 내에서 적당한 수준의 지연 시간과 시그널링 비용으로 액추에이션(actuation) 필터링과 공격 복원력이 향상됨을 보여준다.