소셜 미디어가 급속히 확산됨에 따라 유해 밈은 온라인 생태계에 대한 위협으로 커지고 있다. 유해성은 시각, 텍스트, 맥락 단서 간의 복잡한 상호작용을 통해 암묵적으로 전달되는 경우가 많아 정확한 탐지가 어렵다. 최근 연구들은 검색 증강 생성(Retrieval-Augmented Generation, RAG)과 외부 지식을 유해 밈 탐지에 도입하였다. 그러나 기존 방법은 주로 유사한 사례나 보조 정보를 검색하는 데 그쳐, 재사용 가능한 유해성 지식과 그 기저의 추론 메커니즘을 포착하는 능력이 제한되며, 그 결과 탐지 성능과 해석 가능성이 모두 제약된다. 이러한 문제를 해결하기 위해 본 논문은 유해 밈 탐지를 위한 지식 기반 검색 증강 추론 프레임워크인 MemeLogos를 제안한다. MemeLogos는 다양한 유해 사례에서 반복적으로 나타나는 유해성 패턴과 추론 구조를 추상화하여 재사용 가능한 지식 단위로 만들고, 이를 전용 별 모양 지식 그래프로 조직한다. MemeLogos는 구조화된 지식 검색과 인지 메커니즘에서 착안한 명시적 다단계 추론 과정을 결합하여, 검색된 지식을 유해성 추론의 지침으로 활용함으로써 탐지 신뢰성과 해석 가능성을 모두 향상시킨다. 광범위한 실험 결과, MemeLogos는 기존 유해 밈 탐지 방법을 일관되게 능가하면서 더 일관되고 해석 가능한 추론을 생성하였으며, 이는 멀티모달 콘텐츠 이해에서 구조화된 유해성 지식이 효과적임을 보여준다.
목적: 종양 흉부-복부-골반(CAP) CT를 판독하는 영상의학과 의사는 비종양성 질환도 함께 검출해야 하지만, 기존 CT 파운데이션 모델은 단일 해부학적 영역이나 비종양 데이터로 학습되었다. 본 연구에서는 해부학적으로 구조화된 전처리 전략을 사용하여 검사 전체로부터 학습하는, 종양 CAP CT용 비전-언어 파운데이션 모델 CAPTOR를 개발하고 평가하였다. 대상 및 방법: CAPTOR는 후향적 다기관 데이터셋(북미, 유럽, 아시아)의 주로 종양 환자인 CAP CT-판독문 쌍 25,512건(단일 또는 다중 시리즈)으로 사전학습된 대조 비전-언어 모델이다. 보류된 내부 및 공개 테스트 세트에서의 분류와 검색, 그리고 TumorImagingBench를 이용한 생존 예측에서 5개의 CT 파운데이션 모델, 더 큰 규모의 변형 모델(CAPTOR-100K), 해부학적 전처리를 제거한 절제 모델(CAPTOR-NoPre)과 비교하였다. 신뢰구간과 쌍별 비교에는 환자 수준 부트스트랩과 순열 검정을 사용하였다. 결과: 10,794건의 테스트 검사에서 CAPTOR는 CAP(차선 모델 0.695 대비 0.767, p<0.001)와 종양 하위집합(0.734 대비 0.784, p<0.001) 모두에서 5개 모델보다 높은 AUC를 달성하였고 두 경우 모두 검색 성능도 우수했으며, 4개의 종양 생존 벤치마크 중 3개에서 1위를 차지하였다. 훈련 검사 수가 크게 적음에도 CAPTOR-100K와 비슷한 성능을 보였다. 해부학적으로 구조화된 전처리를 제거하면 기관 단위로 보류된 테스트 하위집합을 포함하여 분류 성능이 저하되었다(macro-AUC 0.737 대비 CAPTOR-NoPre 0.691, p<0.01). 결론: 해부학적으로 구조화된 전처리는 다중 시리즈 촬영을 포함한 검사 전체 단위의 CAP CT 해석을 가능하게 하였고 하위 작업 성능을 향상시켰다. CAPTOR는 CAP 및 종양 하위집합에서 최신 CT 파운데이션 모델을 능가하였으며, 훨씬 더 큰 규모의 변형 모델과 대등한 성능을 보였다.
3D 형상으로부터 편집 가능한 CAD 모델을 복원하는 것은 여전히 까다로운 엔지니어링 과제입니다. 기존 방법들은 CAD 작업을 제안할 수 있지만, 단일 제안 소스가 다양한 부품 형상과 복원 단계 전반에 걸쳐 항상 일관되게 잘 작동하지는 않습니다. 본 논문에서는 상호 보완적인 도구들을 조율하여 3D 메시(mesh)로부터 파라메트릭 CAD 프로그램을 복원하는 자율 에이전트 시스템인 CADFather를 소개합니다. 비전-언어 어시스턴트는 타깃 및 중간 복원 렌더링을 검사한 후, 확장할 후보 CAD 프로그램, 호출할 도구, 생성할 제안 수, 종료 시점을 결정합니다. 학습 기반 및 알고리즘 기반 도구는 CAD 작업을 제안하고, 수치 최적화는 기존 프로그램의 파라미터를 정밀하게 조정합니다. 제안되거나 정제된 프로그램은 실행 및 평가되어 후속 결정을 위한 피드백을 제공합니다. 에이전트는 각 타깃 부품에 대해 대안 후보 프로그램들을 유지하며 복원 과정 전반에 걸쳐 유효한 최상의 결과를 보존합니다. CADFather는 추가 학습(training) 없이 사전학습된 생성 및 어시스턴트 모델을 사용합니다. DeepCAD, Fusion360, MCB의 전체 테스트 셋뿐만 아니라 CADENA-Bench, CADBench, BenchCAD에서 복원 품질과 실행 유효성을 평가합니다. 추가적으로 연산 비용과 비용 대비 복원 품질 간의 트레이드오프를 분석합니다.
코딩 에이전트는 하네스, 즉 채팅 모델이 저장소에서 작업할 수 있게 해 주는 시스템 프롬프트, 도구, 컨텍스트 관리 안에 들어 있는 언어 모델이다. 이러한 에이전트에 대한 엔지니어링은 대부분 하네스에 집중되며, 벤더와 리더보드는 점수 향상을 하네스의 공으로 돌린다. 이전 연구들은 모델을 고정하고 하네스를 교체하였으나, 그 교체가 동일한 하네스를 다시 실행했을 때보다 통과율을 더 크게 변화시키는지는 측정하지 않았다. 우리는 7개 모델을 세 가지 프로덕션 하네스인 Claude Code, mini-SWE-agent, OpenCode에서 SWE-bench Verified와 다른 종류의 두 벤치마크로 실행하고, 변경 없이 재실행하였다. 모든 모델에서 일관되게 앞서는 하네스는 없다. 데이터로 두 하네스 간 차이의 범위를 한정할 수 있는 경우 그 범위는 2~5점이며, 하네스 교체가 바꾸는 과제 결과의 수는 재실행과 비슷한 정도이다. 예외는 특정 모델과 하네스 조합에서 나타나는 하네스 효과이며, 그 방향은 모델에 따라 달라진다. OpenCode는 한 모델에서는 8~9점 뒤처지고 다른 모델에서는 14점 앞선다. 하네스 간 비용 차이 역시 모델에 따라 10% 미만에서 3~4배까지 달라진다. 따라서 어떤 하네스가 더 나은지는 모델과 별개로 답할 수 없으며, 하네스 간 차이는 재실행 결과와 함께 보고되어야 한다.
Learned visual reward models score a robot's execution from camera images and an instruction, and are increasingly used to fine-tune robot policies. Two checks decide whether to trust one: the reward model separates successes from failures, and task success rises during training. We show that both checks can pass while the policy learns to act on the wrong object. When a diffusion policy is fine-tuned against the reward model Robometer to open a drawer, task success rises by 10.2 percentage points. Wrong-object failures, which open a different drawer, rise by 10.9 points, whereas the same training on the simulator's task-completion signal raises success alone. A second reward model, RoboReward-8B, behaves the same way, and the effect reappears on a physical robot. This happens because of how the reward scores the policy's own failures. Most failures make little progress and score low, while a wrong-object failure looks like progress and scores well above them. Optimization shifts a policy toward outcomes that score above the executions they compete with, the executions they can take the place of. It therefore turns low-scoring failures into both successes and wrong-object failures, even when the reward model scores successes higher. This rule needs only executions of the initial policy, so it can be tested before training. On a stacking task we predicted which of three object placements Robometer would exploit, and training raised wrong-object stacks from 20% to 69% in that placement and in neither of the others. The same rule gives a check to run before optimization and a repair that needs no labels: scoring each execution again on frames re-rendered with the objects the instruction does not name put back removes the amplification on both tasks and on the robot.
언어 모델의 발전으로 사람들이 자신의 말로 정보를 찾고, 글쓰기 도움을 받고, 실용적인 조언을 요청할 수 있게 되면서 대화형 AI가 널리 사용되고 있다. 어시스턴트가 특정 작업을 처리할 때에는 사용자가 원하는 바를 추론하고 그 예측에 따라 행동할지 결정해야 한다. 문장 분류기의 신뢰도는 표현에 담긴 단서를 놓칠 수 있다. 본 연구는 분류기의 상위 두 점수 간 격차를 부호 있는 어휘 근거, 즉 단어와 짧은 문자 패턴에 기반한 점수와 결합한다. 이 점수는 해당 패턴이 예측된 의도를 지지하면 양수이고 다른 의도를 지지하면 음수이다. 별도의 보정 데이터와 오류율에 대한 통계적 상한을 사용하여 요청을 수락하는 데 필요한 최소 신뢰도를 설정한다. 데이터셋당 열 번의 실행에서, 제안 방법은 더 많은 요청을 수락할수록 오류가 어떻게 변하는지를 요약하는 위험-커버리지 곡선 아래 면적을, 문장 분류기 점수만 사용하는 신뢰도 모델에 비해 BANKING77, CLINC150, HWU64에서 각각 15.8%, 15.1%, 11.8% 감소시킨다. 5% 오류 목표에서 수락된 요청의 비율은 BANKING77에서 1.83%p, HWU64에서 5.14%p 상승한다. CLINC150은 해당 목표에서 이미 거의 전체 커버리지를 달성한다. 2% 목표에서는 보정 과정이 30번의 모든 실행에서 일부 요청을 수락하는 규칙을 찾아낸다. 본 연구의 기여는 표현이 원래의 의도 예측을 얼마나 강하게 지지하거나 반박하는지를 측정하여 라우팅을 개선하는 두 특징 기반 신뢰도 모델이다.
알고리즘 통계학에서 강한 모델은 본질적으로 $\{0,1\}^n$의 단순한 분할의 셀이다. 본 연구는 대칭성에서 유래하는 분할, 즉 문자열에 작용하는 군의 궤도 분할과 그로부터 유도되는 구조 함수 $h^G_x$를 연구한다. 집합이 이러한 분할의 셀인 것은 그 집합의 집합별 안정자군이 그 위에 추이적으로 작용할 때 그리고 그때에 한하므로, $h^G_x$는 $G$-동차 집합으로 제한된 콜모고로프 구조 함수이다. 전체 대칭군의 경우 이는 모든 모델과 정확히 강한 모델들을 복원한다. $GL(n,2)$의 경우 셀은 선형 동차 집합이며, $h^{GL}_x$는 $C(x)-\alpha$와 $n-\alpha$ 사이의 띠에 놓이고 양쪽 경계가 모두 달성되며, 일부 확률적 정규 문자열은 선형 대칭성에는 보이지 않는 단순한 구조를 가진다. 각 순열군을 배치를 갖는 번사이드 환 유형으로 기술함으로써, 탐색할 수 있을 만큼 작은 대칭성 가설 공간은 단순한 구조를 놓칠 만큼 작다는 것을 보인다. 마지막으로 궤도 모델 탐색을 부분군 격자 위의 가치 추정으로 정식화하며, 계산 가능한 한계, 검증된 학습 목표, 그리고 몬테카를로 트리 탐색의 격자 버전을 제시한다.
에이전트의 실행 기록은 그 에이전트를 구동하는 하네스가 작성한다. 실행 이후 분쟁이 발생하면 감사자는 현장에 없었으므로 이 기록만을 가지고 판단해야 한다. 본 연구는 현장에 없었던 사람이 그 기록을 검증할 수 있는지, 그리고 그 답을 결정하는 요인이 무엇인지를 묻는다. 답은 검증이 신뢰할 수 있는 내용을 누가 작성했는가에 달려 있다. 하네스가 기록 전체를 작성했다면 그 기록은 하네스 자신의 진술에 불과하며, 우리는 이를 전언(hearsay)이라 부른다. 우리는 과제가 아니라 기록 자체를 검토하는 벤치마크인 Hearsay를 구축한다. 다섯 개의 하네스가 열네 개의 과제를 수행하고, 세 곳의 벤더가 제공한 모델 검토자와 사람 패널이 기록을 읽고 실행에 관한 질문에 답하며, 이들이 인용한 모든 구절에는 누가 작성했는지가 기계적으로 표시된다. 또한 실제 배포된 환경을 감사한 결과, 열여섯 개 프레임워크 모두에서 하네스가 유일한 작성자였다. 작성자가 하나뿐이면 독자는 최대 열 번 중 아홉 번까지 기록으로부터 결함을 짚어낼 수 있으나 기록을 검증할 수는 없다. 모델 검토자들은 자신이 제시한 근거 중 라벨이 뒷받침하는 수준보다 18~55%p 더 많은 부분이 교차 확인되었다고 주장하는데, 이 격차는 다른 벤더의 모델이 구동한 실행에 대해 예측되었고 실제로 다시 확인되었다. 또한 가장 우수한 검토자도 우리가 기록에 가한 변경 가운데 절반만 알아차리며, 결함을 가장 자주 짚어내는 두 검토자는 하네스가 누락한 내용을 구별하지 못한다. 작성자가 둘이면 기록을 검증할 수 있다. 우리의 샌드박스는 하네스와 모델 사이에 오가는 내용의 원장(ledger)을 보관하며, 원장을 기록과 양방향으로 대조하면 기록이 누락한 내용과 추가한 내용이 드러난다. 우리는 이를 감사자가 사용하는 방식대로, 한 번에 하나의 미공개 기록에 대해 시험한다. 기록이 만들어지기 전에 모든 규칙을 확정한 상태에서 세 번째 벤더의 모델이 구동한 실행에 적용했을 때, 66건의 변경 중 64건을 보고했고 84건의 정상 기록 가운데 어느 것도 오탐으로 표시하지 않았다. 다섯 가지 형식의 보류(held-out) 기록에서는 115건 중 109건을 보고했다. 기록을 증거로 만드는 것은 더 나은 독자가 아니라 두 번째 작성자이다.
대규모 언어 모델(LLM)은 학계 연구와 산업 모두에서 점점 더 중요한 역할을 하고 있다. 신뢰할 수 있는 평가는 연구자가 모델의 능력을 이해하고 모델 개발 과정에서의 진전을 평가하는 데 도움이 된다. 그러나 평가에는 비용이 많이 들 수 있으며, 연구자는 종종 고정된 예산 내에서 성능을 평가해야 한다. 모델의 출력은 실행마다 달라질 수 있으므로, 이 예산은 서로 다른 과제를 테스트하는 일과 선택된 과제를 반복하는 일 사이에 배분되어야 한다. 신뢰구간은 그 결과로 얻은 성능 추정치의 불확실성을 정량화한다. 같은 신뢰수준과 평가 비용에서 더 좁은 구간을 얻으면 모델 성능을 더 정밀하게 평가할 수 있으며, 연구자가 제한된 관측으로부터 더 명확한 결론을 도출하는 데 도움이 된다. 본 논문은 전체 과제를 포괄하는 경우와 그렇지 않은 경우 모두에 대해, 고정된 평가 예산을 과제와 반복 실행에 배분하는 프레임워크를 제안한다. 이 프레임워크는 동일한 과제에 대한 실행 간 불일치를 이용하여 추정 오차의 한계를 정하며, 표본으로 추출된 반복 실행의 변동이 작을 때 같은 신뢰수준에서 더 좁은 신뢰구간을 얻을 수 있게 한다. 각 과제에서 반복 실행이 동일한 결과를 낼 때, 과제 수와 반복 예산이 증가함에 따라 본 프레임워크가 최악의 경우에 신뢰구간을 좁히는 이론적으로 가능한 가장 빠른 속도를 달성함을 증명한다. 또한 모든 과제를 반드시 포괄해야 하는 경우와 과제를 건너뛸 수 있는 경우 모두에 대해, 평가자가 이전 결과를 이용해 다음에 수행할 실행을 결정하더라도 성립하는 일치하는 하한을 증명한다. LiveCodeBench에서 본 프레임워크는 16개 모델 구성 중 15개에서 균등 무작위 샘플링보다 평균적으로 더 좁은 신뢰구간을 도출하였으며, 같은 신뢰수준과 구성당 1,100개 출력이라는 동일한 예산에서 폭이 중앙값 기준 30.6% 감소하였다.
LLM은 저장소를 검사하고 도구를 호출하며 파일을 수정하는 코딩 에이전트 하네스를 통해 점점 더 많이 운용되고 있다. 따라서 이러한 에이전트 뒤의 모델을 교체하면 변경 사항을 검증하는지, 실패로부터 안전하게 복구하는지 등 보안과 관련된 의사결정이 달라질 수 있다. 기존의 LLM 지문 기법은 대체로 직접적인 텍스트나 토큰 분포로부터 신원을 추론한다. 코딩 에이전트에서는 이러한 신호가 시스템 지시문, 컨트롤러 로직, 도구, 실행 피드백에 의해 매개되므로 적용 가능성이 제한된다. 본 논문은 코딩 에이전트 실행을 위한 능동적 블랙박스 지문 방법인 LIDAR(LLM Identification from Decisions and Actions at Runtime)를 제시한다. 세 쌍의 코딩 프로브는 통제된 변경 아래에서 수정 후 검증, 일시적 실패로부터의 복구, 명세와 테스트 간 충돌 해결을 드러낸다. LIDAR는 그 결과로 나온 궤적을 상호 보완적인 인스턴스 수준 및 분포 수준 특징으로 표현하고, 경량 확률적 식별기를 사용하여 깨끗한 참조와 비교한다. 이 방법은 모델 가중치, 로짓, 제공자 내부 정보에 대한 접근을 요구하지 않는다. 우리는 OpenCode, OpenHands, mini-swe-agent에서 8개 계열의 24개 모델을 평가하였으며, 하네스마다 별도의 참조를 적합하였다. 폐쇄 집합 Top-1 정확도는 세 하네스에서 91.39%에서 98.89% 사이였고, 모든 설정에서 세 가지 기준선을 모두 능가하였다. 감사 대상에 같은 계열의 미등록 모델이 포함된 경우 균형 정확도는 79.58%에서 80.42%였다. 이러한 결과는 에이전트의 실행 행동이 최종 출력을 넘어서는 모델 신원의 증거를 제공함을 보여 준다.
신경 라우팅 솔버는 인스턴스마다 많은 해를 샘플링하여 그중 최선을 선택하며, 모든 인스턴스에 같은 수의 샘플을 사용한다. 본 논문은 동일한 총 예산을 균등하지 않게 나누는 것의 가치가 얼마인지, 그리고 워크로드의 어떤 속성이 이를 결정하는지를 측정한다. 저장된 샘플의 무작위 순서를 평균하여 추정한 best-of-k 곡선은 이득을 과대평가하고, 샘플의 절반으로 결정하고 나머지 절반으로 평가하는 방식은 이득을 과소평가한다. 이에 우리는 모든 순서에 대한 U-통계량인 정확한 best-of-k 곡선을 사용한다. 외판원 문제에서 사전 학습된 세 솔버(POMO, Attention Model, Sym-NCO)에 대해, 재배분은 학습 분포에서 총 최적성 격차를 최대 2.5%만 줄이므로 그 분포에서는 균등 배분이 최적에 가깝다. 분포 외 인스턴스가 섞인 워크로드에서는, 분포 변화에 따라 성능이 저하되는 두 솔버에 대해 격차를 11.8-13.3%(경로 길이의 1.1-1.8%) 줄이며, 그렇지 않은 솔버에서는 거의 줄이지 못한다. 두 가지 이질성 메커니즘, 세 솔버, 두 개의 확인용 컬렉션, 인스턴스당 25~200개의 샘플 예산 전반에서, 이득은 워크로드의 평균 난이도가 아니라 워크로드 내 난이도의 분산에 의해 예측된다. 인스턴스당 20개의 비용이 부과되는 프로브 샘플에 적합한 멱법칙 곡선에 따라 배분하면 비용이 부과되지 않는 최적값의 88-93%를 회복하며, 연속 반감법은 더 나쁜 성능을 보인다. 그러나 2-opt 지역 탐색은 무시할 만한 비용으로 격차 대부분을 제거하며, 그 이후 재배분이 추가하는 이득은 경로 길이의 수백분의 몇 퍼센트에 불과하다.
선행화학요법 이전에 병리학적 완전 반응을 예측하면 유방암 환자에 대해 보다 맞춤화된 치료 계획을 수립하는 데 도움이 될 수 있다. 본 연구는 겉보기 확산계수 지도, 동적 조영증강 자기공명영상, 임상 변수를 결합하여 치료 전 데이터만을 사용하는 딥러닝 모델을 제안한다. 본 연구는 공개 다기관 데이터셋인 ACRIN 6698/I-SPY2를 사용한다. 아키텍처는 영상 특징 추출을 위해 사전 학습된 EfficientNet-B0 인코더를 사용하며 임상 정보와 후기 융합을 수행한다. 나이, 인종, 조직학적 유형, HR/HER2 아형, SBR 등급, 최대 직경을 포함한 여러 임상 변수를 평가하였다. 이 중 HR/HER2 아형만이 평균 수신자 조작 특성 곡선 아래 면적(AUC)을 향상시켜 최종 모델에 유지되었다. 층화 5겹 교차 검증을 사용하였을 때, 겉보기 확산계수 지도 단독은 평균 AUC 0.79를, 동적 조영증강 자기공명영상은 0.74를 달성하였다. HR/HER2 아형을 추가하면 성능이 각각 0.83과 0.81로 향상되었다. 두 영상 모달리티와 HR/HER2 아형을 모두 사용한 최종 구성은 AUC 0.86을 달성하였다. 이러한 결과는 반응 예측을 위한 치료 전 멀티모달 학습을 뒷받침하지만, 임상 사용 전에 외부 검증이 필요하다.
많은 지식 노동 벤치마크는 단일 과제를 중심으로 구축되며, 각 과제의 맥락과 파일이 과제 정의와 동시에 또는 그 이후에 선택된다. 선행 연구는 이러한 구축 방식이 실제 업무 환경을 반영하지 못한다고 주장해 왔으나, 그 영향은 통제된 조건에서 측정된 적이 없다. 통제된 조건에서 두 구축 방식을 비교하기 위해, 우리는 회사 구성 요소를 리비전, 날짜, 직원 좌석으로 모듈화하여 각각 별도로 조정할 수 있게 하는 인프라인 WorkWorlds를 소개한다. 실제 회사가 기증한 과거 데이터를 사용하여 제약회사 PharmaCo를 재구성하였다. 10년 이상의 업계 경력을 가진 두 명의 전문가가 각각 그 회사에서 실제로 발생한 사건을 바탕으로 8개의 과제를 작성하였고, 각자 모든 과제에 대해 과제별 환경을 독립적으로 구축하였다. 192건의 통제된 평가 전반에서, 에이전트를 과제별 환경에서 직원에게 실제로 보이는 모든 자료로 전환했을 때 증거 접근률은 90.4%에서 72.8%로, 기준 통과율은 76.7%에서 68.0%로 하락하였다. 그러나 에이전트가 필요한 증거를 찾은 경우에는 두 조건에서의 통과율이 거의 동일하였다. 또한 같은 과제에 대해 두 전문가가 구축한 환경 사이를 전환하면 평균 통과율 차이가 6.6퍼센트포인트 발생하였다. 세 에이전트가 얻은 이득의 크기도 서로 달라 에이전트 간 격차가 변하였다. 우리는 벤치마크가 환경 자료가 어떻게 선택되었는지를 보고해야 하며, 가능하다면 환경 구축자를 바꾼 후 에이전트 점수의 변화를 검증해야 한다고 주장한다.
장기간 실행되는 LLM 에이전트는 세션에 걸쳐 지속되고 진화하는 메모리를 필요로 한다. 텍스트 기반 메모리는 매 질의마다 과거 상호작용을 검색하고 재구성하므로, 기록이 늘어날수록 장기 성능이 검색 품질과 맥락적 추론에 점점 더 의존하게 된다. 파라메트릭 메모리는 경험을 모델 연산에 직접 인코딩하지만, 기존 접근법은 세션 간 메모리 진화에 대한 지원이 제한적이다. 또한 특정 백본에 결합되어 있어 모델 교체 후 메모리 재사용이 더욱 제한된다. 우리는 순전파 연산을 통해 각 세션을 모델 독립적인 잠재 메모리로 컴파일하고, 과제 학습된 순환 게이트를 통해 이를 유지된 메모리와 선택적으로 통합하는 2단계 아키텍처인 RPMem을 제안한다. 통합된 메모리는 이후 백본별 저랭크 적응(LoRA) 파라미터로 매핑되어, 백본이 교체될 때 인코딩 능력이 전이되도록 한다. 세 가지 장기 메모리 벤치마크와 다섯 가지 다양한 백본에 대한 평가는 거의 일정한 갱신 비용과 메모리 사용량으로 폭넓은 일반화가 가능함을 보여 준다. PERMA에서 Qwen3-8B를 사용한 RPMem은 85.52%에 도달하여, 가장 강력한 파라메트릭 및 텍스트 기반 기준선을 각각 5.32 및 12.98퍼센트포인트 앞섰다. 절제 실험은 세션 컴파일과 세션 간 통합의 상호 보완적 역할을 검증하며, 동역학 분석은 게이트가 과제별 메모리 통합 전략을 습득함을 보여 준다. 이러한 결과는 RPMem이 백본 교체 후에도 재사용 가능한, 진화하는 세션 간 메모리를 유지하는 수명주기 독립적 파라메트릭 메모리 프레임워크임을 입증한다. 코드는 https://github.com/Quark-Medical/rpmem/tree/main 에서 확인할 수 있다.
자율주행에서 안전한 모션 계획을 위해서는 변화하는 교통 위험을 예측하고 현재 계획된 궤적을 언제 수정할지 결정해야 한다. 본 논문은 공유 점유 예측과 선택적 궤적 대체를 위한 위험 인지 월드 모델링 프레임워크인 RiskWorld를 제안한다. 공간 위험 필드와 시간적 행위자 문맥을 시각적 조감도(bird's-eye-view) 특징과 융합한다. 흐름 유도 진화는 점유와 장면 특징을 이동시키며, 부호 있는 잔차는 이동 후의 점유를 보정한다. 계획 단계마다 하나의 예측을 생성하여 모든 후보에 재사용한다. 각 후보는 현재 상태 지속 기준과 비교되어 음이 아닌 충돌 점수 보정값을 산출한다. 현재 세계 평가로 선택된 궤적이 계획 앵커 역할을 하며, 추가로 예측된 위험이 개입을 유발하고 대안 궤적이 예측 위험과 궤적 오차에 대한 성분별 제약을 만족할 때에만 대체된다. 후보의 기하 구조는 변경되지 않는다. 본 연구는 카메라 특징, 주석에서 도출한 현재 및 과거 행위자 상태, 데이터셋이 제공하는 지도 문맥을 사용하여 nuScenes에서 개루프 계획에 대해 RiskWorld를 평가한다. RiskWorld는 다양한 최신 기준 모델 중 3초의 긴 평가 지평에서 가장 낮은 충돌률과 두 번째로 우수한 평균 L2 오차를 달성하며, 90.81 M 파라미터로 단일 NVIDIA RTX 4090에서 11.5 FPS로 동작한다. 동일 설정 내 절제 실험에서 RiskWorld는 현재 상태 재채점 기준보다 낮은 충돌률을 보이며, 예측 재사용으로 낮은 한계 계산 비용에 추가 후보를 평가할 수 있음을 보인다.
최적화된 에이전트 하네스는 해당 과제들이 벤치마크의 나머지와 공유하는 형식 관례에 의존함으로써 보류 과제에서 성능을 향상시킬 수 있다. 본 논문은 하네스 개선이 평가 프로토콜의 변화에도 유지되는지 검증하기 위해 반사실적 하네스 탐색 및 진화(Counterfactual Harness Search and Evolution, CHASE)를 제안한다. Proposer는 고정된 기반 모델 주위의 하네스를 편집한다. 이후 Challenger는 과제는 보존하면서 갱신된 하네스의 초기 하네스 대비 이득을 감소시키는 프로토콜 변경을 탐색한다. 실행 가능한 검사를 통해 해당 변환이 과제 의미를 보존하는지 확인한다. 보류 과제에서 이득 손실이 확인되면 CHASE는 해당 변환을 이후 하네스 갱신을 제약하는 아카이브에 추가한다. 본 논문은 이 유한 아카이브가 지름길이 제거된 이상적인 벤치마크에서 이득 손실을 제한하는 조건을 제시한다. CHASE를 Syn-Ledger, OfficeQA, FinanceBench, SWE-Bench Pro V2에서 평가한다. Syn-Ledger에서 알려진 지름길을 제거하면 정확도는 CHASE가 38.30%, HarnessEvolve가 18.27%이다. SWE-Bench Pro V2 HARD-51의 21개 인증 과제에서 이슈 형식과 도구 출력 필드 순서를 변경하면 HarnessEvolve의 초기 하네스 대비 이득이 8.57에서 3.81 퍼센트포인트로 감소한다. 최종 CHASE 하네스는 동일한 변경 하에서 11.43점의 이득 중 10.48점을 유지한다.
다국어 문장 인코더는 수백 개 언어에 걸친 확장 가능한 전이(transfer)를 가능하게 하며, 번역 마이닝(translation mining)과 저자원(low-resource) 환경에서의 제로샷(zero-shot) 학습 같은 응용을 뒷받침한다. 문장 수준 정렬(alignment)을 위해 학습되었지만, 환각(hallucination) 탐지와 시퀀스 태깅(sequence tagging) 같은 토큰 수준 과제에도 점점 더 많이 쓰이면서 학습과 사용 사이의 불일치가 드러난다. 우리는 기존 문장 인코더에 스팬(span) 수준 감독(supervision)을 주입하여 토큰 표현을 개선하는 경량 사후 학습(post-training) 방법인 SALT를 제안한다. 다섯 개의 다국어 토큰 수준 벤치마크(benchmark)에서 SALT는 네 곳에서 전체 최고 성능을 달성하며, 대안적인 미세조정(fine-tuning) 전략과 경쟁 인코더를 능가한다. 또한 다국어 검색 및 분류(classification) 과제에서 문장 수준 성능도 개선한다. 이 결과는 스팬 수준 감독이 토큰 표현과 문장 표현 모두를 개선하는 데 효과적인 신호임을 보여 준다.
생의학 표 데이터는 수천 개의 측정 변수와 수십~수백 개의 레이블 샘플만을 결합하는 경우가 많으며, 이러한 영역은 범용 표 데이터 벤치마크에서 충분히 다뤄지지 않는다. 본 논문은 여러 도메인에 걸친 43개 생의학 데이터셋으로 구성된 라이빙 상호작용형 벤치마크 TabBench-Bio를 소개한다. 공통 교차 검증 프로토콜 하에서 28개의 특징 수-샘플 수 운영점에 걸쳐 고전적 추정기, 신경망, 표 데이터 파운데이션 모델을 비교한다. 특징 10,000개와 학습 샘플 100개의 기준 셀에서 RealTabPFN 2.5가 가장 높은 점추정치를 보였고, TabPFN 3과 로지스틱 회귀가 근소하게 뒤따랐다. 타깃 풀에 대한 쌍체 부트스트랩은 RealTabPFN 2.5와 TabPFN 3을 87 Elo 차이로 구분한다(95% 구간 [43, 129]). 표 데이터 파운데이션 모델이 대체로 상위 순위를 차지하지만, 가장 강력한 구성은 운영점과 생의학 모달리티에 따라 달라진다. AutoML 프레임워크 AutoGluon은 1시간 "extreme" 프리셋을 사용하여 별도의 자원 집약적 참조로 구성되었으며 기준 셀과 전체 셀에서 보고된다. 폴드 수준 예측, 실행 상태, 결정론적 집계를 통해 보고된 모든 결과를 재현하고 재사용할 수 있다. 이 벤치마크는 새로운 생의학 데이터셋의 기여에 열려 있다. 상호작용형 리더보드는 https://tabbench-bio.eu 에서 확인할 수 있다.
재귀적 이미지 초해상도(SR)는 각 예측을 동일한 모델에 다시 입력하여 이미지를 거듭 확대하듯 극단적인 배율에 도달한다. 깊은 확대에 대한 실제 정답은 확보하기 어려우며(256배 목표는 52 GB 이미지가 된다), 따라서 더 깊은 확대의 예측에는 감독 신호가 없다. 그러나 마지막 정답 이미지에는 모든 더 깊은 확대가 키우는 영역이 여전히 포함되어 있다. OracleZoom은 이 영역을 학습 신호로 전환한다. 온폴리시 자기 증류에서 착안하여, 모델이 한 번의 재귀 단계($4\times \rightarrow 16\times$)에 대한 자신의 예측으로 학습하고, 교차 스케일 손실이 각 $16\times$ 예측을 $4\times$의 마지막 정답으로 다시 투영한다. 이 투영은 거친 내용만 검증할 수 있으므로, 무참조 품질 목적함수가 나머지 세부 묘사를 유도하고 잠재 사전분포가 이 목적함수가 환각 아티팩트를 추가하는 것을 막는다. 7개 데이터셋에서 OracleZoom은 모든 확대 깊이에서 가장 높은 CLIPIQA를 달성하며(평균 0.713 대 Chain-of-Zoom 0.621), 학습이 $16\times$에서 멈추고 다른 품질 지표를 최적화함에도 가장 깊은 확대에서 이득이 가장 크다. 정답에 고정된 두 판정기를 합산한 결과, 이렇게 추가된 세부 묘사는 $16\times$에서 Chain-of-Zoom과 동일한 환각률이며 $4\times$에서는 더 낮은 환각률을 보이고, 교차 스케일 손실을 제거하면 $16\times$에서 환각이 증가한다.
생성 모델과 자율 에이전트는 이제 수백만 개의 무기 결정 후보를 제안하지만, 대부분의 스크리닝은 최소 거리 기준 외에는 거의 검사하지 않으며 실패의 화학적 이유를 제시하지 않는다. 거의 한 세기 동안 폴링 규칙은 결정 구조 안정성에 대한 주요 경험 이론으로 사용되어 왔으나, 정성적이고 이상화되어 있어 알려진 이온 결정 중 규칙 2-5를 동시에 만족하는 것은 6.5%에 불과하다. 본 연구에서 에이전트는 200만 개의 후보 법칙을 생성, 시험, 반증하여 무기 구조 타당성 규칙(Plausibility Rules for Inorganic Structures, PRIS) 여덟 가지를 발견한다. 이 법칙들은 단거리 반발, 이온 접촉과 충진, 정전기적 균형, 결합 원자가 보존, 결정학적 자리 단순성이라는 다섯 가지 물리적 메커니즘을 담고 있다. 실험 구조는 PRIS 법칙 집합을 82-99%의 경우에 만족하며, 가장 엄격한 집합은 인위적으로 손상된 구조의 87.9%를 탐지하여 기존 거리 기준의 1.6-3.2%를 크게 상회한다. 합성 레이블 없이 도출되었음에도 PRIS 타당성은 합성 가능성과 선형 상관이 매우 높으며, PRIS에서 도출한 연속적 합성 점수(PSS)는 합성이 어려운 구조의 83.7%를 설명 가능하게 걸러내면서 실험 구조의 80.7%를 유지한다. 초비압축성 결정을 목표로 하는 역설계 과제에서 PRIS와 PSS에 의한 설명 가능한 스크리닝은 밀도범함수이론(DFT) 검증 대기열을 최대 67.3% 줄이면서 DFT로 검증된 목표 후보의 99.2%를 유지한다. 스크리닝을 넘어 PRIS는 GNoME의 저대칭 초과가 인위적인 원소 배열에서 비롯됨을 추적하고 위조된 결정 구조를 식별한다. PRIS는 스크리닝을 통과 또는 실패 판정에서 실패의 화학적 이유로 이동시키며, 자율 에이전트가 능동적 반증을 통해 계산과 실험을 안내하는 물리화학 법칙을 발견할 수 있음을 보여 준다.