아이디어를 실행하면 유망해 보이는 정도가 달라지는 경우가 많으므로, 자율 연구에서 다음 단계는 실험 결과에 근거해야 한다. 실험 라운드가 끝날 때마다 시스템은 지금까지 가장 좋은 해법을 개선할지, 새로운 방향을 시작할지, 어떤 해법을 출발점으로 삼을지, 어떤 목표를 세울지 결정해야 한다. 이를 라운드 간 결정이라 부른다. 기존 시스템은 규칙, 점수, 탐색 트리, 일정 같은 장치로 이 결정을 관리한다. 대규모 언어 모델(LLM)이 결정하는 경우에도 모델이 어떤 정보를 읽어야 하는지는 정해지지 않았다. LLM이 별도의 탐색 구조 없이 누적 근거를 보고 결정할 수 있는지, 근거를 얼마나 읽어야 하는지 조사한다. LLM 기반 제어기 BRED(Between-Round Evidence-based Decision)는 지금까지 검증한 최선의 해법인 챔피언과 과거 라운드 기록을 유지하며 라운드마다 한 번 결정한다. 널리 쓰이는 연구 에이전트 벤치마크 과제 세 개에서 BRED는 과제 기준선 대비 ETTh1의 평균 절대 오차(MAE)를 4.80% 낮춰 0.4172로 만들었다. SST-2와 CIFAR-100의 정확도는 각각 3.44%포인트와 3.43%포인트 높아져 95.07%와 84.63%를 기록했다. 세 결과 모두 기존 발표 결과를 앞섰다. 제어기가 누적 근거를 읽지 않으면 같은 반복 구조에서도 개선 폭이 작다. 이력이 없을 때 ETTh1의 MAE는 0.4299, CIFAR-100 정확도는 83.71%였다. 전체 제어기는 MAE가 2.95% 낮고 정확도가 0.92%포인트 높았다. 데이터 누출을 막은 절차에서 음성 기반 우울증 탐지라는 새 과제를 시험한 결과, 해법 선택에 쓰지 않은 시드에서 매크로 F1 0.6164를 기록했다. 자체 기준선보다 5.5점, 발표된 최고 성능 시스템보다 4.0점 높았다. 코드는 https://github.com/learninginvision/BRED 에 공개되어 있다.
현대 심층 학습의 손실에는 가중치, 스케일, 마진 같은 하이퍼파라미터가 여러 개 포함된다. 미분할 수 있는데도 보통 사람이 직접 조정하거나 비용이 큰 블랙박스 최적화로 값을 찾는다. 그래디언트 정렬과 대리 검증 목적함수로 미분 가능한 손실 하이퍼파라미터를 효율적으로 조정하는 프레임워크 AlignedHPO를 제안한다. 야코비안–벡터 곱을 사용해 하이퍼그래디언트 계산 시간과 메모리를 줄이며, 미분 가능한 대리 평가지표로 과제별 평가 기준을 향해 최적화를 유도한다. 정규화된 정렬과 그래디언트 평활화로 그래디언트 크기의 모호성과 확률적 불안정성을 다룬다. 일반화한 포컬 손실과 ArcFace를 사용한 실험에서 긴 꼬리 분류와 개방 집합 얼굴 인식 모두에 효과적으로 적응했다. AlignedHPO는 암묵적 미분과 비슷하거나 더 나은 성능을 보이면서 하이퍼그래디언트를 약 12배 빠르게 계산했다. 이 결과는 대리 목적함수를 활용해 손실 하이퍼파라미터를 효율적으로 최적화할 수 있음을 보여 준다.
기존 멀티모달 우울증 평가 방법은 긴 녹화 기록을 전체적인 행동 설명으로 요약하는 경우가 많다. 그러면 개별 관찰의 출처와 판단에 미친 영향을 확인하기 어렵다. 관찰, 검증, 평가를 중심으로 구성한 근거 기반 프레임워크 EDA를 제안한다. 관찰 단계에서는 문헌을 바탕으로 고른 음향 및 시각 단서가 등장하는 곳을 찾고, 시간 구간과 행동 측정치를 담아 원본과 연결한 근거 기록으로 만든다. 검증 단계에서는 가중치를 동결한 멀티모달 에이전트가 인용된 영상이나 음성이 각 관찰을 뒷받침하는지 확인한다. 단순화한 Support 채택 정책은 뒷받침된다는 판정을 받은 기록과 그 검토 근거를 남긴다. 평가 단계에서는 통계 요약량과 시간에 따른 사건을 이용해 참조 사례와 행동을 비교한다. PHQ-9의 기준을 활용한 텍스트 분석으로 보완적인 증상 근거를 얻는다. 모달리티 간 의견이 엇갈리면 최종 선택 전에 원본 텍스트를 다시 검토한다. D-Vlog 및 LMVD 실험에서는 사람이 판정한 단서와의 일치도와 후속 평가의 유용성을 따로 측정했다. 같은 원본 구간에서 AI의 단서 주석은 사람의 합의 레이블과 91.02% 일치했다. 동결한 70억 매개변수 백본을 사용했을 때 EDA Support는 직접 예측보다 F1을 D-Vlog Leave-Query-Out에서 7.61%포인트, LMVD에서 9.88%포인트 높였다. 이 결과는 출처에 연결한 명시적 행동 근거를 사용하면 멀티모달 우울증 평가를 검토하기 쉬워짐을 뒷받침한다.
임상 AI 시스템은 환자에게 해를 끼칠 수 있는 중간 결정을 거쳐도 최종 진단을 맞힐 수 있다. 한 오류를 고치는 과정에서 새로운 위험을 만들 수도 있다. 대부분의 평가는 최종 진단을 채점한다. 증례의 근거를 시간순으로 공개하는 단계별 벤치마크도 환자가 거치는 의사결정이 안전한지보다, 진단이 정확한지 또는 필요한 정보를 모았는지 평가한다. 환자 안전을 단계별 평가의 목표로 삼았다. 의사결정 궤적 감사는 실제 입원 사례를 체크포인트마다 재현한다. 각 시스템이 그 시점까지 공개된 근거만 사용해 결정하도록 한 뒤, 모든 검사, 치료, 진료 처분의 잠재적 위해와 임상적 타당성을 각각 평가한다. 기록된 최종 진단과 의사가 작성한 질환별 평가 기준을 참조하되, 결정 당시 이용할 수 있었던 근거를 기준으로 판단한다. LLM 심사 모델이 모든 결정을 채점하고, 층화 표본에 대한 의사 세 명의 주석과 선임 의사의 중재로 만든 참조 표준을 사용해 비율을 보정한다. 감독 감사에서는 처음으로 개입이 필요한 오류가 발생한 지점에서 궤적을 분기한다. 같은 분기에서 교정 피드백으로 오류가 해결되는지와 새로운 위해가 생기는지를 모두 측정한다. 병원 심장내과 코호트, MIMIC-IV, 공개 ASCENT 벤치마크에서 총 300건을 수집하고 출처마다 최대 일곱 개 AI 시스템을 평가했다. 병원 코호트에서 수용 가능한 최종 진단에 도달한 궤적 중 55.2%는 잠재 위해가 중등도 이상인 결정을, 24.8%는 임상적으로 수용할 수 없는 결정을 거쳤다. 같은 잠재 위해 비율은 MIMIC-IV에서 76.2%, ASCENT에서 39.6%였다. 구조화된 교정은 첫 오류의 73.6%를 해결한 반면 단순 기각만 한 경우에는 24.8%를 해결했다. 그러나 교정 뒤 잠재적으로 안전하지 않은 새 결정이 나온 비율은 30.2%로, 단순 기각 뒤의 19.7%보다 높았다. 최종 진단이 정확해도 그 과정이 안전했다는 보장은 없으며, 오류를 고쳤다고 해서 복구 과정이 안전하다는 보장도 없다.
스파이킹 트랜스포머는 어텐션 기반 표현 학습과 희소한 스파이크 통신을 결합한다. 그러나 가중치와 막전위 변수의 저장 및 계산 비용은 여전히 크다. 학습 후 양자화(PTQ)는 이 비용을 줄이는 실용적인 방법이지만, 가중치와 막전위를 양자화하면서 뉴런의 발화 패턴을 보존하기는 어렵다. 뉴런의 발화 결정이 부동소수점 참조 모델과 일치하도록 양자화기를 보정하는 결정 정렬 학습 후 양자화(DAQ)를 제안한다. 양자화 오차가 결정 경계에서의 발화에 어떻게 영향을 주고, 순환 뉴런의 시간 단계에 걸쳐 어떻게 전파되는지 분석한다. 이를 바탕으로 양자화 모델 자체의 상태 궤적을 따라 양자화한 막전위 변수가 참조 모델과 같은 발화 결정을 내리는 영역 안에 머물도록 유도하는 목적함수를 구성한다. 여러 스파이킹 트랜스포머 아키텍처에서 이미지 분류, 의미 분할, 이벤트 기반 추적을 실험해, 가중치와 막전위 변수를 4비트로 표현할 때 DAQ가 효과적임을 보였다. FE108에서 DAQ를 SDTrack에 적용한 결과 AUC는 58.8%, PR은 90.9%였으며, 소비 에너지는 66.2% 줄었다.
재사용 가능한 스킬은 언어 모델 에이전트가 문제 해결 경험을 축적해 다시 활용할 수 있게 한다. 그러나 기존 방법은 대부분 롤아웃을 통해 경험을 모으고 휴리스틱으로 성찰하는 간접적인 방식으로만 스킬 저장소를 개선한다. 그 결과 갱신 폭이 작거나 갱신을 충분히 제어하지 못하는 경우가 많다. 재사용 가능한 스킬 자체를 진화의 대상으로 삼는 강화학습 기반 프레임워크 EvoSkill-S1을 제시한다. 해결하기 어려운 실패 사례가 주어지면 부모 스킬을 골라 개정, 교차 개정, 변이, 이중 성찰, 교차 결합이라는 유전학 기반 연산 다섯 가지로 자식 스킬 후보를 만든다. 다운스트림 과제의 보상으로 스킬 진화 모델을 학습해 더 효과적인 자식 스킬을 생성한다. 평가기의 판단에 따라 도움이 되는 변경만 저장소에 반영한다. 상호 보완적 스킬 저장소 융합은 연산별로 만든 저장소를 통합해 서로 다른 실패 복구 양상을 활용한다. 절차형 스킬 인터페이스는 처음 보는 문제로의 전이를 지원한다. 보고한 모든 수학 및 코딩 벤치마크에서 EvoSkill-S1은 Qwen 계열과 GPT 계열 풀이 모델 모두에서 각각의 초기 스킬 저장소보다 성능이 높았으며, 상대 개선 폭은 최대 12.39%였다. 스킬을 직접 진화시키지 않는 외부 기준선 가운데 가장 우수한 방법과 비교하면 상대 개선 폭은 최대 20.39%였다.
자동 프롬프트 최적화가 점점 복잡해지고 있다. 최근 방법은 정책 그래디언트 갱신, 실행 기록에 대한 성찰, 진화 탐색을 겹쳐 사용한다. 이 방법들에는 공통으로 후보를 생성해 선별하는 단계가 있다. 이를 통제하지 않으면 보고된 성능 향상에서 옵티마이저 기제의 기여와 더 큰 샘플링 예산의 효과가 섞일 수 있다. 이 단계를 시연 조건부 프롬프트 탐색(DCPS)으로 분리해 분석한다. Automatic Prompt Engineer(APE)의 절차를 기제별 기여를 판단하는 대조군으로 재사용한다. 생성기를 동결하고 무작위로 뽑은 시연을 조건으로 후보를 만든다. 검증 데이터에서 후보를 채점해 최선의 것을 남기며, 학습에 따른 갱신이나 성찰, 진화는 적용하지 않는다. 서로 다른 두 계열의 옵티마이저에서 비교했다. StablePrompt에서는 근위 정책 최적화(PPO)를 DCPS로 바꿔 측정 비용을 약 3분의 1로 줄이면서 분류 정확도 차이를 0.5%포인트 이내로 유지했다. DSPy 기반 복합 AI 시스템에서는 보고한 예산 조건에서 GPT-4.1-mini를 쓴 GEPA와 매크로 정확도가 비슷했다. 평균적으로 롤아웃은 55% 적었고 측정한 API 비용은 32% 낮았다. 감사 결과는 과제에 따라 달랐다. 후보 제안과 선별만으로도 구조화된 과제와 지시 따르기 과제에서 더 복잡한 옵티마이저의 성능을 상당 부분 재현했다. 추가 기제는 일부 개방형 과제와 추론이 많이 필요한 과제에서 여전히 우위를 보였다. 프롬프트 옵티마이저를 후보 생성·선별 대조군과 비교하고 정확도와 함께 롤아웃 수, 토큰 사용량, 달러 비용을 보고할 것을 권한다. 코드와 산출물은 https://github.com/bhc6/DCPS 에 공개되어 있다.
판촉 행사가 열리면 트래픽 구성, 구매 행동, 전환 확률의 규모가 서로 다른 시간 범위에서 달라진다. 과거 이력의 표현 학습과 행사 시점의 점수 조정을 분리하는 산업용 추천 프레임워크 COTTI(Contrastive Training and Time-aware Inference)를 제시한다. 기간 간 대조 정렬(CPC)은 같은 사용자의 이력 쌍에 적응형 일관성 가중치를 적용해 정규화한다. 능동 재가중(RW)은 사용자의 과거 관심사와의 거리에 따라 판촉 사례의 영향력을 조절한다. 적응형 경계 정렬(ABA)은 확률적 예측의 변동성과 시간적 행사 커널을 결합해, 예측기 매개변수를 고정한 채 로짓을 조정한다. 가중 목적함수를 분석하고 ABA가 유발하는 확률과 순위 변화의 경계를 도출했다. Fliggy 데이터에서 오프라인 AUC는 COTTI 0.8127, TEN 0.8101, ABA를 적용한 TEN 0.8123이었다. 여러 범주에 걸친 분석에서는 구별 능력이 개선됐으나 새로운 범주에서 실제 유료 구매 항목의 재현율은 낮아졌다. 종단 간 측정에서 p99 지연 시간은 38.9ms, 처리량은 초당 14,700요청이었다. ABA를 켜면 p99 지연 시간이 2.2ms 늘었다. 운영 HDR 모델을 대조군으로 삼은 열흘간의 온라인 실험에서는 전환율이 3.14%, 1,000회 노출당 매출이 2.68% 상대적으로 높아졌다. 이 결과는 판촉 추천에서 전체 예측 성능, 새로운 범주의 발견, 서빙 비용 사이의 절충 관계를 보여 준다.
GUI 에이전트는 추론 과정에서 당장 실행할 올바른 계획을 세우고도 그 계획을 실행하지 못하는 행동을 출력할 수 있다. 이 반복적인 불일치는 실행 격차를 만들고 과제를 안정적으로 완수하기 어렵게 한다. 한 번의 실행 오류만으로 여러 단계의 워크플로가 무너질 수 있기 때문이다. 결과를 지도 신호로 삼는 강화학습에서는 응답 전체의 음의 어드밴티지를 생성한 모든 토큰에 적용하면, 잘못된 실행과 함께 올바른 계획에도 벌점을 줄 수 있다. 이러한 기여도 할당의 충돌을 해결하기 위해 계획–행동 일관성 학습(PACT)을 제안한다. 원래의 스칼라 행동 보상은 그대로 두고, 참조 행동에 부합하는 계획의 보호와 계획에 부합하는 행동의 교정을 결합한다. 주석을 단 참조 행동으로 실행 격차를 식별하고, 검증한 계획이 차지하는 토큰 구간의 음의 정책 그래디언트 기여분을 마스킹해 그 계획을 보호한다. 생성한 추론은 문맥으로 그대로 사용한다. 이어 그래디언트 전파를 중단한 쌍별 가중치를 쓰는 대리 선호 목적함수로, 출력한 잘못된 행동보다 참조 행동에 더 높은 선호를 부여한다. 결과만 사용한 기준선과 비교해 AndroidWorld의 과제 성공률은 60.34%에서 68.97%로 8.63%포인트 높아졌다. AndroidControl High의 규칙 기반 계획–행동 일관성은 83.71%에서 89.74%로 6.03%포인트 높아졌다. 데스크톱 에이전트에도 PACT를 적용하자, OSWorld의 전체 369개 과제에서 성공률이 40.92%에서 44.17%로 3.25%포인트 높아졌다. 이 결과는 PACT가 모바일 및 데스크톱 GUI 환경에서 실행 격차를 줄이고 과제 완수를 개선하는 기여도 할당 방법임을 보여 준다.
대규모 언어 모델(LLM)을 쓰면 허니팟이 필요할 때 응답과 기만용 산출물을 만들 수 있다. 그러나 기존 연구는 생성 내용을 응답별로 평가해, 일관된 사건을 함께 묘사하는 산출물이 서로 무관한 자료보다 공격자를 더 오래 머물게 하는지 밝히지 않았다. 자율 LLM 공격 에이전트가 현실적인 위협으로 떠오르면서 이 질문이 중요해졌다. 방어자가 관측한 공격자 명령을 각각 MITRE ATT&CK 기법에 대응시키고 MITRE Engage를 바탕으로 선별한 목록에서 적절한 시나리오를 고르는 대응 전략인 서사형 기만을 제안한다. 침입이 진행되는 동안 에뮬레이션한 Ubuntu 호스트에 서로를 참조하는 파일, 프로세스, 서비스, 로그를 배치한다. LLM 방어자와 자율 LLM 공격자는 실제 SSH 세션을 통해 상호작용한다. 공격자의 종료 정책은 기만을 의심해 중단한 경우와 흥미를 잃어 중단한 경우를 구별한다. 세션 1,150개에서 정교함을 높인 네 조건(Static, Same-TTP, Multi-TTP, Chain)을 비교했다. 공개 가중치 공격자 모델 네 개, 방어자 모델 네 개, 공격자 숙련도 세 수준을 사용했다. 단계마다 공격자의 상호작용이 유의하게 늘었다. 대응당 산출물 예산이 같을 때, 일관된 시나리오는 숙련된 공격자의 세션 길이 중앙값을 명령 40개에서 165개로 늘리고, 중단율을 86%에서 52%로 낮췄다. 이 효과는 공격자 숙련도가 높을수록 커졌고 모델 조합 16개 전반에서 유지됐으며, 추론 비용은 비슷했다. 거의 모든 세션은 기만 탐지보다 흥미 상실로 끝났다. 이는 에뮬레이터를 실제처럼 만드는 데 더해 공격자가 의미 있는 단서를 계속 발견하도록 해야 함을 시사한다.
도구를 사용하는 언어 모델 에이전트는 신뢰할 수 없는 이메일, 웹페이지, 문서의 정보를 바탕으로 행동해야 한다. 악성 지시와 정당한 작업 지시가 같은 상호작용 채널로 들어올 수 있어 보안 문제가 생긴다. 기존 방어책은 대개 사람이 직접 설계하고 구조가 고정돼 있어, 계속 개선하려면 사람이 반복해서 다시 설계해야 한다. 안전 실행 환경의 진화와 적응형 공격 시험의 진화를 결합한 단계형 프레임워크 Evolution Under Fire를 소개한다. 효용에 제약을 두고 파레토 기준으로 일정을 조정하는 트리 탐색은 실행 근거로부터 완전한 실행형 안전 환경을 진화시킨다. 과제 모델, 벤치마크, 도구, 평가기는 고정한다. 이후 적응형 공격 시험의 진화로 과제 효용을 유지하는 공격을 찾아 다음 단계의 안전 환경 개선에 활용한다. AgentDyn에서 GPT-4o-mini를 평가한 결과, 진화한 안전 환경은 공격 성공률을 50.4%에서 3.0%로 낮췄다. 초기 안전 환경보다 정상 조건과 공격 조건 모두에서 효용이 높았으며, 재현한 방어책보다 보안과 효용 사이의 균형이 좋았다. Qwen2.5-7B-Instruct를 사용한 Agent-SafetyBench에서는 응답의 유용성과 실행 시 유효성을 유지하면서 공격 성공률을 82.6%에서 62.0%로 낮췄다. 추가 진화 없이 Qwen3.5-35B-A3B로 옮겼을 때도 공격받은 과제에서 효용이 높아졌고 공격 성공률은 32.1%에서 0.9%로 낮아졌다.
정보통신기술(ICT) 서비스를 효과적으로 제공하고 모니터링하려면 네트워크 트래픽 분석이 중요하다. 그러나 복잡한 패킷 캡처를 해석하기는 어렵고 상당한 기술 전문성이 필요하다. 대규모 언어 모델(LLM)로 네트워크 트래픽 조사를 자동화할 수 있지만, 패킷 수준의 필드 추출과 흐름 수준의 시퀀스 복원에서 얼마나 신뢰할 수 있는지는 밝혀지지 않았다. 네트워크 트레이스 분석 능력을 평가하기 위해 재현 가능한 질의응답 방법을 제안한다. CICIDS2017 데이터셋에서 실제 정상 트래픽을 가져와, 사람이 만든 정답을 기준으로 여러 모델을 평가했다. 원시 텍스트 트래픽 덤프와 프로토콜별로 필터링한 표현에서 성능을 비교했다. LLM-as-a-judge 자동화 파이프라인으로 모델의 응답을 평가했으며, 사람의 평가와 대조해 파이프라인을 검증했다. 프로토콜 필터링은 프롬프트 부담을 크게 줄였고 오답을 줄여 답변 정확도를 높였다. 이 결과는 프로토콜 정보를 이용한 트래픽 필터링으로 LLM 보조 네트워크 관리의 효율과 신뢰성을 높일 수 있음을 보여 준다.
시각 월드 모델은 행동을 조건으로 미래의 시각 상태를 예측한다. 그러나 개체의 자세와 공간 관계에서 발생한 오차가 반복 예측 과정에서 누적돼 로봇 계획과 제어에 필요한 장기 예측을 제한한다. 시각 모델의 구조를 바꾸지 않고 별도로 예측한 관계 상태로 이 드리프트를 교정할 수 있는지 살펴봤다. 그래프 노드와 시각 상태는 구성 요소와 특징 공간을 공유하지 않으므로 두 표현을 연결하기 어렵다. 서로 다른 세분화 수준의 동역학에 관한 가설을 바탕으로 플러그인 JointGV(Joint Graph–Visual Dynamics Correction)를 제안한다. 그래프 노드와 시각 상태는 서로 다른 표현을 쓰지만 같은 물리적 전이를 기술한다는 가설이다. JointGV는 과제를 조건으로 한 장면 그래프와 시각 월드 모델의 롤아웃을 병렬로 실행하고 두 모델이 예측한 변화를 연결한다. 이렇게 얻은 그래프 움직임 문맥을 그래프가 예측한 노드 위치와 결합해 크기가 제한된 잔차를 계산한다. 그래프 학습과 교정의 그래디언트는 원래 시각 동역학 모델로 전파되지 않는다. 공간 토큰을 사용하는 DINO-WM과 전역 잠재 상태를 사용하는 DreamerV3에 JointGV를 붙였다. 시드 세 개로 DMC Cheetah Run과 Walker Walk에서 두 모델을 평가하고, 접촉이 많은 조작 과제 DMC Finger Turn Hard로 평가를 확장했다. 32단계 롤아웃에서 JointGV는 구조 및 시각 예측 정확도를 높이고 관절 위치 오차를 11~28% 줄였다. 공간 토큰의 경우 그래프와 시각 상태의 변화 간 관계를 학습한 방식은 동일한 평균 그래프 움직임 문맥을 모든 토큰에 일괄 전달하는 방식보다 오차가 작았다. 서로 인접하지 않은 부분들이 이미지에서 가까워 보일 때 특히 효과적이었다. 실제 로봇의 역진자 시퀀스에서 DINO-WM의 32단계 후 막대 각도 오차는 $12.56^\circ$에서 $6.69^\circ$로 줄었으며, DreamerV3와 LeWorldModel도 개선됐다. 모의 역진자 제어에서 JointGV로 교정한 롤아웃으로 학습한 액터는 에피소드 50개 중 46개를 완료했다. 원래 롤아웃을 사용하면 하나도 완료하지 못했다.
공간 추론은 멀티모달 대규모 언어 모델(MLLM)이 세계를 이해하는 데 필요한 기본 능력이다. 기존 연구는 정적 장면의 공간 관계를 지각하는 데 진전을 보였지만, 동적인 공간 시뮬레이션은 상대적으로 덜 연구됐다. 중간 시각 피드백 없이 변화하는 공간 상태를 시뮬레이션해야 하는 공간 추론 과제 벤치마크 MentalGrid를 소개한다. 폭넓은 평가에서 기존 모델의 공간 시뮬레이션 능력이 크게 부족함을 확인했다. 단순한 시뮬레이션에서는 지각 능력이 성능을 제한했고, 문제가 복잡해지면 여러 단계에 걸친 추론 능력의 부족이 성능을 떨어뜨렸다. 이를 개선하기 위해 공간 추론에 특화된 샘플 1만 6천 개를 사용하는 3단계 커리큘럼 학습을 제안한다. 이 방식으로 학습한 SpatialWalker는 기반 모델보다 평균 성능이 33.8% 높았고, 공간 시뮬레이션에서 Gemini-3-Flash 같은 비공개 모델을 앞섰다. 학습 도메인 밖 벤치마크에서도 평균 4.9%의 개선을 유지했다. 이는 공간 시뮬레이션이 더 폭넓은 공간 지능의 기반이 됨을 보여 준다.
저장소 수준 질의응답(QA)에서 에이전트는 도구로 코드 저장소를 탐험하고 정보가 충분히 모이면 질문에 답해야 한다. 그러나 대규모 언어 모델(LLM) 에이전트는 답에 필요한 정보가 이미 충분한데도 도구를 계속 호출하는 경우가 많다. 이를 과잉 탐험이라 부른다. 기존 방법은 전문가 궤적으로 지도 미세조정(SFT)해 과제 성능을 높이지만, 해당 궤적의 과잉 탐험도 에이전트에 전파한다. 이를 줄이기 위해 에이전트가 충분한 정보를 모은 시점에 답하도록 학습하는 적정 탐험 미세조정(JET)을 제안한다. 각 학습 궤적은 수집한 정보가 충분해지는 단계에서 자른다. 에이전트가 그 단계에서 답할 수 있는 이유를 설명하는 근거를 삽입하고, 그 근거에 더 높은 손실 가중치를 부여해 미세조정한다. 저장소 수준 QA 벤치마크 두 개와 공개 가중치 80억 매개변수 모델 두 개에서 실험했다. JET는 자체 생성 궤적에서 점수를 대체로 유지하면서 도구 호출을 11~33% 줄였다. 전문가 궤적에서는 SFT 대비 도구 호출이 18~28% 적었으며, SFT로 얻은 점수 향상의 대부분을 유지했다. 두 경우 모두 추론 비용도 낮아졌다.
월드 모델은 처음 보는 행동에 세계가 어떻게 반응할지 답하는 데 쓰인다. 이러한 답을 신뢰할 수 있는지 행동 조건부 월드 모델에서 확인하는 시험을 제시한다. 특정 행동을 의도적으로 학습에서 제외하고 이미 아는 정답과 비교한다. 일반 예측 정확도가 새 행동에서의 정확도를 예측하는지 살펴보고, 더 단순한 모델에도 같은 구조를 제공해 비교한다. 가격과 판촉 계획을 행동으로 삼은 소매업에서 적합한 모델 2,853개를 시험했다. 첫째, 예측 정확도는 모델 유형을 비교할 때 비교적 유효했다. 새 계획에서의 오차와 순위 상관계수는 0.32~0.66이었다. 그러나 같은 월드 모델의 여러 버전을 비교할 때는 그렇지 않았다. 판매자가 수요가 높은 주간에 가격·판촉 계획을 세우는 경우에는 관계가 뒤집혀 순위 상관계수가 −0.69까지 나타났다. 둘째, JEPA 사전학습, 잠재 표현 일관성 검사, 계획 시행일의 적응을 통해 행동의 효과를 학습시켜도 새 계획에 대한 오차는 달라지지 않았다. 셋째, 생성한 환경에서는 기록된 정상가와 세 가지 가격 규칙을 주면 성능이 나아졌다. 같은 규칙을 줬을 때 로그 선형 모델의 곡선으로 실제 관계를 나타낼 수 있으면 로그 선형 모델이 가장 우수했다. 실제 곡선이 규칙이 가정한 범위를 벗어난 환경에서는 규칙을 넣은 월드 모델이 40개 중 36개에서 같은 규칙을 넣은 로그 선형 모델을 앞섰으며, 순환 셀을 제거해도 성능은 비슷했다. 실제 데이터인 Breakfast at the Frat, The Complete Journey, M5에서는 학습에서 본 적 없는 폭의 순수 가격 인하에 규칙을 적용하면 월드 모델의 오차가 줄었다. Frat은 0.63에서 0.56으로, The Complete Journey는 0.45에서 0.44로 줄었으나 후자의 변화는 우연으로 설명할 수 있는 범위였다. 장기 가격 변경에서는 오차가 줄지 않았다. 넷째, 무작위 테스트 계획을 소량 사용하면 모든 모델의 성능이 소폭 높아졌다. 다른 분야에서의 스트레스 테스트로 생성한 약물 투여 환경에서도 첫째 결과가 재현됐다. 체내 누적 약물 농도를 제공하자 월드 모델의 오차가 2.86에서 1.91로 줄었다. 그래도 실제 개선 폭의 0.12~0.32만 예측했다. 이 시험은 이력에서 보지 못한 행동을 월드 모델에 묻는 모든 분야에 적용할 수 있다.
센서 관측을 신뢰하기 어려운 환경에서 집단 추정을 하려면 로봇이 자신의 관측과 동료로부터 얻은 정보 사이의 비중을 적응적으로 조절해야 한다. 과거 예측 성능에 따라 동료별로 비대칭 가중치를 부여해 DeGroot–Friedkin 모델을 확장한 분산형 집단 추정 방법 DGF-Asym을 제안한다. 센서 잡음의 통계나 명시적인 고장 모델을 미리 알지 못해도 합의를 형성할 수 있으며, 로봇 간 통신은 비동기로 유지한다. 잡음이 있는 관측과 시간에 따라 달라지는 센서 고장을 포함한 모의 집단 주행에서 DGF-Asym을 평가했다. 기준선 세 개와 비교해 결정 시간이 길어지는 대신, 더 안정적인 추정치를 얻고 결정 기준을 더 안정적으로 충족했다. 전체 성능은 고장 비율, 집단 크기, 영향력 임계값 선택에 따라 달랐다. 이 결과는 관측을 신뢰하기 어려울 때 적응형 동료 가중치로 명시적 모델 없이도 안정적인 집단 추정을 할 수 있음을 보여 준다.
에이전트 스킬은 과거 경험과 현재 관측을 바탕으로 관련 과제의 결정과 행동을 안내한다. 과거 경험은 스킬 상태에 저장되며, 이를 재사용하면 추론 시의 추론 연산과 환경 상호작용 비용을 여러 작업에 나눌 수 있다. 환경이 바뀌면 스킬 상태의 일부는 오래되어 쓸모가 떨어지고 다른 부분은 여전히 유용할 수 있다. 과제 설정 네 가지와 모델 두 개에서 환경이 바뀌기 전후에 스킬을 재사용한 결과를 비교했다. 이전에 유용했던 스킬도 스킬을 쓰지 않을 때보다 과제 성능을 10%포인트 넘게 낮추거나 실행 비용을 거의 40% 늘릴 수 있었다. 과제 성공률이 그대로여도 실행 비용 절감 폭은 줄어들 수 있었다. 이런 효과는 환경에 종속된 어떤 세부 사항이 오래됐는지, 에이전트가 현재 관측으로 차이를 얼마나 보완할 수 있는지에 따라 달라졌다. 추가 모델 호출 없이 성공한 실행의 검사를 다시 수행하는 선택적 유지보수를 도입한다. 관찰한 차이가 스킬 상태와 충돌하는지 검증하고, 영향을 받은 내용을 고친 뒤 변경 결과를 검증한다. 국소 수정으로 충분하지 않으면 스킬을 다시 만든다. 변경 사항에 대한 별도 설명은 주어지지 않는다. 오래된 상태를 재사용할 때와 비교해 유지보수는 과제 정확도를 최대 67%포인트 높이고 실행 단계 수를 최대 37% 줄였다. 이 결과는 환경이 변해도 추론 시 스킬의 가치를 유지하려면 상태를 선택적으로 관리해야 함을 시사한다.
다중 레이블 분류기가 레이블을 올바르게 붙여도 잘못된 근거에 의존했을 수 있다. 여러 특징에 흩어진 조합은 분류기 계열마다 다를 수 있으며 지배적인 특징이 없을 수도 있다. 전체 이진 레이블 행렬에 다중 레이블 피셔 선형 판별 분석(LDA) 하나를 직접 적합하는 전역 대리 모델 FLEX(Fisher LDA Explainer)를 제안한다. 공통 좌표계에서 레이블마다 특징의 기여 방향과 크기를 나타내는 부호 있는 기여도 목록을 만든다. 평가한 벤치마크와 분류기 계열 전반에서 FLEX는 블랙박스 모델의 예측을 일관되게 높은 충실도로 재현했다. 레이블 간 공분산을 풀링하는 방식은 대부분의 데이터셋에서 레이블별로 따로 계산하는 방식보다 우수했다. 특히 레이블이 많고 양성 예시가 드문 데이터셋에서 이점이 컸다. FLEX의 충실도–복잡도 파레토 곡선은 단조 증가한다. 따라서 특징 수를 늘릴 때 설명의 충실도가 어떻게 개선될지 예측할 수 있다. 적당한 수의 특징을 사용할 수 있으면 적합에 사용한 표본에서의 충실도가 레이블별 이진 분류(Binary Relevance) 대안과 같거나 더 높았다. 각 판별 가중치 벡터의 크기는 해당 레이블의 분리도에 경계를 부여해, 분류가 맞더라도 근거가 틀릴 수 있는 레이블을 찾는 데 도움이 된다. 평가한 분류기들은 대체로 같은 예측을 했지만 지배적인 특징이 하나도 없을 때는 서로 다른 특징 부분집합을 바탕으로 판단했다.
AI 에이전트의 해석 가능성은 모델 내부 가중치에 대한 이해를 넘어, 여러 출처의 문맥을 바탕으로 추론하고 결정하는 과정까지 포괄해야 한다. 에이전트 세션의 모든 출력 문장을 그 근거가 되는 입력 구간과 연결하고, 보정한 신뢰도를 함께 제공하는 별도 실행 시스템 LMLineage를 소개한다. 모델 내부에 접근하거나 추가로 추론할 필요가 없다. 출처 연결 메타데이터를 바탕으로 개념 드리프트를 감지해 문맥 일부만 압축한다. 문맥 길이 제한에 도달할 때까지 기다렸다가 전체를 요약하는 대신, 이전에 썼으나 더 이상 참조하지 않는 입력 문서를 감지해 해당 문서만 압축하고 사용자 지시는 원문 그대로 보존한다. 여러 층위의 말뭉치에서 평가했다. 중국어 웹 질의응답 사례 10개의 정답 주석 문장 71개와, 세 생성 모델(gpt-4o-mini, qwen3.8-27b, deepseek-v4-flash)에서 독립적으로 수집한 다중 턴 세션의 대화 90턴을 포함한다. 네 가지 결과를 얻었다. (i) 윈도 단위 임베딩 유사도는 문서 전체를 비교하거나 어휘를 매칭하는 방식보다 LLM의 바꿔 쓰기를 훨씬 잘 포착했다. (ii) 탐욕적 윈도 탐색 경로는 모든 행을 대조하는 방식보다 평균적으로 빠르고 정확했다. 전체 대조에서는 다중 비교 바이어스로 웹 자료에 대한 재현율이 높아지는 대신 전체 정확도가 떨어졌다. (iii) GPU 한 장에서 턴마다 출처를 연결하는 데 1초가 걸렸으며, 문맥이 최대 40턴까지 쌓여도 시간은 안정적이었다. (iv) 개념 드리프트 감지는 보수적이어서 잘못 압축한 경우가 0%였고, 재현율의 상한은 출처 연결의 정확도에 의해 정해졌다. 개념 드리프트에 따른 부분 압축 설계와 대화형 사고 추적 및 메모리 정리 사례도 설명한다. 별도의 특허 출원은 출처 연결을 구축하는 방법을 다룬다.