PyTorchKR Papers

최신 논문

총 4,526편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.25176v1eess.AS

Qwen-Audio-3.1-Realtime: 신뢰할 수 있는 에이전트형 음성 상호작용을 향하여

Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction

실시간 음성 어시스턴트는 변화하는 요청에 대해 추론하고, 동작을 실행하며, 대화 규칙을 따라야 한다. Qwen-Audio-3.1-Realtime은 Think, Act, and Speak and Coordinate를 통해 이러한 요구사항을 통합한다. Think는 Core-Cocktail 지도 미세조정과 Multimodality and Multi-Teacher On-Policy Distillation(M$^{2}$-OPD)을 결합하여 언어 역량을 이전하고 네이티브 오디오 능력을 개발한다. Act는 자기 진화형 실행 가능 환경과 다중 세분성 롤아웃을 Group Relative Policy Optimization(GRPO)에 사용하여, 모델이 도구를 사용하고 피드백을 해석하며 과제를 완료하도록 학습시킨다. Speak and Coordinate는 어시스턴트가 어떻게, 언제, 말할지 또는 행동할지를 정렬한다. 우리는 오디오 추론, 다국어 이해, 도구 사용, 대화 행동, 풀 듀플렉스(full-duplex) 상호작용, 안전성을 평가한다. Qwen-Audio-3.0-Realtime과 비교할 때, 3.1은 $\tau$-Voice의 하프 듀플렉스 음성-텍스트 적응 버전에서 전체 과제 성공률을 78.4%에서 82.0%로 높인다. 음성-대-음성 Full-Duplex-Bench v1.5에서 배경 음성에 대한 응답률은 73.0%에서 13.0%로 낮아진다. 또한 Qwen-Audio-3.0-Realtime을 foreground로 사용하는 별도의 Voice Harness 프로토타입을 제시하며, foreground–background 조율과 메모리를 통해 음성 상호작용을 지속적 과제로 확장한다.

arXiv:2609.25048v1cs.CL

온-정책 증류에서 프롬프트 폭과 롤아웃 갱신의 상호작용

Prompt Breadth and Rollout Refresh Interact in On-Policy Distillation

온-정책 증류(on-policy distillation, OPD)에는 얼마나 많은 프롬프트가 필요하며, 그 답은 학습 응답을 생성하는 학생 정책에 따라 어떻게 달라지는가? 본 연구는 프롬프트 폭(prompt breadth)과 롤아웃 갱신(rollout refresh)이라는 두 가지 제어 요소를 함께 연구한다. 3x3 수학적 추론 실험은 14,080개의 궤적(trajectory)과 110회의 옵티마이저 업데이트를 고정한 채, 프롬프트 뱅크와 응답을 생성하는 정책 스냅샷의 수를 달리한다. 스냅샷이 10개일 때, 8개의 프롬프트로 평균 정확도 24.09%에 도달하며, 이는 14,080개의 서로 다른 프롬프트를 사용했을 때의 24.51%에 근접한 수치이다. 그러나 응답을 초기 정책에 고정한 경우에는 프롬프트 폭을 늘리면 정확도가 21.16%에서 19.05%로 낮아지는 반면, 업데이트마다 갱신하는 경우에는 정확도가 23.61%에서 25.57%로 높아진다. 그 결과로 나타나는 상호작용은 4.07%p이며, 질문 단위로 짝지은(question-paired) 95% 구간은 [2.00, 6.28]이다. 두 교사 모델(teacher)에서 매칭된 비교를 수행하면 두 번째 역전 현상이 드러난다. 주기적으로 갱신한 모델은 짧은 예산에서 더 높은 정확도와 답변 완결률을 보이지만, 32K 출력 제한에서는 응답 토큰을 1.7~1.8배 더 사용하는 응답 고정 모델이 평균 정확도에서 앞선다. 이러한 결과는 OPD에서 프롬프트 효율성이 갱신 방식과 추론 예산 모두에 의존할 수 있음을 보여준다.

arXiv:2609.26708v1cs.LG

양자화 모델이 실제로 향하는 곳에서 학습하기: 저비트 추론을 위한 온-정책 지식 증류

Train Where the Quantized Model Goes: On-Policy Distillation for Low-Bit Reasoning

양자화 인지 지식 증류(QAD)는 3비트 미만 양자화로 잃은 단답형 질의응답 성능의 상당 부분을 되살리지만, 수학 및 코드 추론은 여전히 크게 손상된 상태로 남는다. 긴 생성은 종종 반복 루프로 퇴화하여 디코딩 예산을 다 쓰고도 해를 끝내지 못한다. 우리는 이 격차의 원인을 양자화로 증폭된 노출 바이어스(exposure bias)로 추적한다. QAD는 고정된 코퍼스 접두(prefix)에서 학습하는 반면, 양자화로 인한 편차는 모델 자체의 자기회귀(autoregressive) 궤적을 따라 누적되기 때문이다. 이 불일치를 해소하기 위해, 양자화된 모델이 실제로 도달하는 지점에 교사 감독을 두는 온-정책 지식 증류(OPD) 단계를 도입한다. QAD 체크포인트에서 출발한 학생은 배포 시 사용하는 양자화 순전파 경로를 통해 생성하고, 자신의 접두에 대해 동결된 전정밀(full-precision) 교사의 피드백을 받으며, 밀집 토큰 수준 지도와 task-verifier 보상을 결합한다. 2.79 및 1.88 effective bits에서 네 가지 모델에 걸친 실험에서 OPD는 MATH-500에서 평균 BF16 성능 유지율을 35%에서 70%로, HumanEval에서는 66%에서 91%로 끌어올리면서 단답형 성능은 유지했고, 동일 예산 비교에서 teacher-forced QAD를 이어가는 경우보다 추론 이득이 실질적으로 더 컸다. QAD의 안정적인 저비트 초기화와 OPD의 온-정책 추론 복구를 결합함으로써, 본 프레임워크는 광범위한 역량을 유지하면서 장형 추론을 되살리는 포괄적인 3비트 미만 솔루션을 제공한다.

arXiv:2505.19893v2cs.LG

ESLM: 효율적인 사전학습을 위한 위험 회피적 선택적 언어 모델링

ESLM: Risk-Averse Selective Language Modeling for Efficient Pretraining

대규모 언어 모델 사전학습은 연산 집약적이지만, 많은 토큰이 학습에 미미하게만 기여하여 비효율성을 초래한다. 우리는 온라인 토큰 단위 배치 선택을 수행하여 학습 효율성과 분포적 강건성을 개선하는 위험 인식 알고리즘인 효율적 선택적 언어 모델링(Efficient Selective Language Modeling, ESLM)을 소개한다. ESLM은 토큰별 통계량(예: 엔트로피 또는 손실)을 활용하고, 배치마다 가장 정보량이 많은 토큰만을 유지하기 위해 위험가치(Value-at-Risk) 임계화를 적용한다. 이러한 데이터 중심적 메커니즘은 학습 손실을 재구성하여 고위험 토큰을 우선시하고 불필요한 그래디언트 계산을 제거한다. 우리는 ESLM을 이중 수준(bilevel) 게임으로 구성한다: 모델은 제약된 임계화 규칙 하에서 최악의 경우 토큰 부분집합을 선택하는 마스킹 적대자와 경쟁한다. 손실 기반 설정에서 ESLM은 조건부 위험가치(Conditional Value-at-Risk, CVaR) 손실 최소화로 귀결되며, 이는 분포적으로 강건한 최적화(distributionally robust optimization)와의 원칙적인 연결성을 제공한다. 우리는 이 접근법을 학습 중 선택 신뢰도를 적응적으로 조정하는 Ada-ESLM으로 확장한다. GPT-2 사전학습 실험 결과, ESLM은 기준선 대비 퍼플렉서티(perplexity)와 다운스트림 성능을 유지하거나 개선하면서도 학습 FLOPs를 크게 감소시키는 것으로 나타났다. 이 접근법은 또한 모델 크기와 사전학습 말뭉치 전반에 걸쳐 확장 가능하며, 지식 증류와도 자연스럽게 통합된다.

arXiv:2609.24660v1cs.RO

Touch2Robot: 인간 시연 루프 내의 로봇 촉각 피드백

Touch2Robot: Robot Touch in the Human Demonstration Loop

인간의 시연(demonstration)은 조작(manipulation) 데이터를 수집하는 확장 가능한 방법을 제공하지만, 이를 로봇 손으로 전이할 때 접촉(contact)이 불안정하거나 실행 불가능할 수 있습니다. 타깃 로봇에서 직접 시연을 수집하면 이러한 불일치를 피할 수 있지만, 데이터 수집 비용이 크게 증가합니다. 이러한 트레이드오프를 해결하기 위해, 본 논문에서는 인간이 타깃 로봇 손이 물체와 어떻게 접촉할지 확인하면서 시연을 수집할 수 있도록 지원하는 프레임워크인 Touch2Robot을 제안합니다. 연구진은 인간 조작 과정에서 인간의 손 움직임, 촉각 장갑(tactile-glove) 측정값, 물체 움직임을 캡처합니다. 이러한 기록은 기록된 인간의 터치와 일치하는 접촉을 선호하면서 시연된 물체 움직임을 재현하도록 물체별 강화학습(RL) 정책을 유도합니다. 이후 학습된 행동들을 유입되는 인간 관측치와 물체 기하학적 구조를 로봇 손 형상으로 매핑하는 통합 실시간 리타게터(retargeter)로 증류(distillation)합니다. 수집 중에는 예측된 로봇 형상이 시뮬레이션에서 추적된 물체 포즈와 동기화되어 로봇-물체 접촉을 재구성하며, 이를 시각화하여 시연자가 타깃 손에 맞춰 후속 상호작용을 조정할 수 있도록 돕습니다. 4개의 실제 환경 태스크 전반에서 Touch2Robot은 시각 전용 피드백 대비 실제 로봇 리플레이 완료율을 평균 37.9%에서 72.1%로 향상시키는 동시에, 리플레이 성공 시연당 수집 시간을 58.6초에서 18.2초로 단축했습니다. 재구성된 타깃 손 접촉은 실제 로봇 촉각 측정값 대비 44.2%의 F1 점수를 달성했으며, Touch2Robot 시연으로 학습된 정책은 시각 전용 피드백 대비 다운스트림 Diffusion Policy 성능을 29.1%포인트 향상시켰습니다. 이러한 결과는 로봇 촉각을 인간 시연 루프에 도입함으로써 확장 가능한 정교한 조작(dexterous manipulation) 데이터 수집의 품질과 효율성을 모두 향상시킴을 보여줍니다. 프로젝트 웹페이지: https://Touch2Robot.github.io/.

arXiv:2609.23989v1cs.AI

ACLArena: 다단계 사후 학습에서의 에이전트 지속 학습

ACLArena: Agent Continue Learning in Multi-stage Post-training

산업 배포를 위한 범용 에이전트를 구축하려면 여러 역량을 통합해야 하며, 각 역량은 일반적으로 서로 다른 학습 단계에서 습득된다. 그러나 현재 에이전트 지속 학습(Agent Continual Learning, ACL)에 대해 잘 정립된 방법론은 없으며, 기존 통합 패러다임 간 트레이드오프에 대한 이해도 부족하다. 이 공백을 메우기 위해 ACL을 포괄적으로 연구·분석·평가하기 위한 프레임워크인 ACLArena를 제안한다. 우리는 먼저 순차적 학습 파이프라인을 구축하고, 모델 수준과 토큰 수준이라는 두 상보적 관점에서 망각과 일반화의 메커니즘을 설명하는 심층 분석을 수행한다. 이 분석을 바탕으로, 다중 교사 온-정책 지식 증류, 자기 증류 기반 미세조정, 모델 병합을 체계적으로 비교하여 이전에 학습한 역량을 회복하면서 새로 습득한 역량을 보존하는 능력을 평가한다. 광범위한 실험을 통해 단계 간 역량이 어떻게 전이되는지에 대한 상세한 이해를 얻는다. 마지막으로, 고품질 궤적에 대한 오프라인 리플레이와 강화학습(RL)을 통해 각각 특화된 다중 LoRA 전문가의 라우팅 네트워크를 결합한 새로운 ACL 방법론을 제안하여, 여러 도메인에 걸친 학습 능력을 크게 향상시킨다. 추론 및 에이전트적 과업 4가지에 대한 포괄적 실험을 도메인 내 및 도메인 외 설정 모두에서 평가한 결과, 우리 분석의 가치와 접근법의 효과가 입증된다.

arXiv:2609.23974v1cs.AI

LEAP-NBV: 파운데이션 모델 기반 차기 최적 시점 계획을 위한 경량 엣지 능동 지각

LEAP-NBV: Lightweight Edge Active-Perception for Foundation-Model Next-Best-View Planning

파운데이션 모델(foundation model)은 자율 시스템에 더 뛰어난 지능을 부여하여 시각적 지각을 통한 환경(environment)에 대한 보다 포괄적인 이해를 가능하게 하고 있다. 대표적인 예로 인체 메시 복원(HMR, Human Mesh Recovery)이 있으며, 이는 전술적 임무에 유용하게 활용될 수 있는 타깃의 3D 포즈 및 형태 추정치를 제공한다. 그러나 이러한 모델(model)의 크기와 전력 소모량으로 인해 엣지 플랫폼에서 구동하기 어렵고 실시간 성능이 제한되어 전술적 엣지 배포(edge deployment)의 요구사항을 충족하기 어렵다. 특히 통신이 제한된 환경에서 모바일 로봇이 계산을 외부로 오프로드하지 못하고 온보드 상에서 차기 최적 시점(NBV, Next-Best-View)을 계획해야 하는 능동 지각(active perception)의 경우 더욱 그렇다. 본 논문에서는 엣지 디바이스 온보드에서 파운데이션 모델 기반 차기 최적 시점 계획을 실행하는 경량 능동 지각 프레임워크인 LEAP-NBV를 제안한다. 이를 위해 오프라인 메시 목표 함수를 사용하여 대규모 HMR 교사 모델 제품군을 각각 컴팩트한 32M 학생 모델로 지식 증류(distillation)한 후, 비전 인코더를 FP16으로 양자화(quantization)하고 온디바이스 정확도와 지연 시간을 특성화한다. 차폐 인식 능동 지각 루프 내에서 동일한 홀드아웃 벤치마크(benchmark)를 통해 모든 구성을 평가(evaluation)하고, 전체 엔드투엔드 파이프라인을 NVIDIA Jetson Xavier NX에 배포하여 실제 측정된 온디바이스 지연 시간과 에너지를 보고한다. 지식 증류를 통해 테스트 세트에서 증류되지 않은 학생 모델 대비 프로크루스테스 정렬 평균 정점당 위치 오차(PA-MPVPE)를 6-7 mm 개선한다. 엣지에 최적화된 압축 모델을 선택함으로써 약간의 정확도 손실만으로 HMR 엔진의 속도를 약 12 ms로 끌어올리고, 전체 폐루프를 3.6 FPS 및 프레임당 2.6 J로 구동하여 다운스트림 태스크 품질을 거의 유지하면서도 압축되지 않은 모델 대비 2.0배의 속도 향상과 3.0배 낮은 에너지를 달성한다.

arXiv:2609.23860v1cs.AI

멀티모달 대규모 언어 모델을 위한 의료 시각 인코더 사전학습

Pretraining of Medical Visual Encoders Toward Multi-modal Large Language Models

멀티모달 대규모 언어 모델(MLLM)은 CLIP으로 사전학습(pre-training)된 시각 인코더를 흔히 재사용하지만, 이러한 ViT의 특징들은 궁극적으로 자기회귀 LLM에 의해 소비됩니다. 본 연구에서는 이러한 불일치를 '의미론적 인터페이스 격차(semantic-interface gap)'라고 칭하며, 동결된(frozen) LLM을 사용한 판독문 생성을 통해 시각 인코더를 사전학습하면서도 시각적 붕괴(visual collapse)를 방지하기 위해 시각 패치 간의 관계를 보존하는 국소 관계 증류(Local Relational Distillation, LRD)를 적용하는 프레임워크인 MedMLIP을 소개합니다. 저자들은 IU-Xray 및 Open-PMC-300K에서 MedMLIP을 사전학습하고 결과 인코더를 VQA-RAD 및 SLAKE에서 평가합니다. 안내 역할을 하는 LLM과 프로젝터는 교체되고 오직 ViT만 전이되므로, 이를 통해 교차 LLM 전이성(cross-LLM transferability)을 평가할 수 있습니다. 교차 LLM 전이 실험은 더욱 세밀한 시각적 정보를 보존하면서 자기회귀 LLM 인터페이스에 맞춰 시각 인코더를 사전학습하는 것의 가치를 입증합니다. 코드와 사전학습된 모델(model)은 https://github.com/SkyCol/MedMLIP 에서 확인할 수 있습니다.

arXiv:2609.23038v1cs.AI

Spatial-Interactor: 관찰 가능한 물리적 세계와의 상호작용을 통한 공간적 추론 학습

Spatial-Interactor: Learning Spatial Reasoning through Interaction with the Observable Physical World

공간적 추론은 비전-언어 모델(VLM)이 물리적 세계를 이해하고 행동하는 데 필수적입니다. 동적 환경에서의 추론은 VLM이 물체의 움직임과 시점 변화로 인해 발생하는 국소적 상태 전이(state transition)를 인지하고, 이를 긴 궤적에 걸쳐 통합하여 최신 공간 상태를 유지할 것을 요구하지만, 기존 VLM은 두 가지 역량 모두에서 여전히 한계를 보입니다. 현재의 공간 학습은 주로 물체 속성과 공간 관계에 대한 정적인 질문에 초점을 맞추고 있어 상태 전이에 대한 직접적인 감독을 제한적으로 제공합니다. 반면, 상호작용 궤적은 선행 관찰, 행동, 후속 관찰을 자연스럽게 연결하여 국소적 상태 전이에 대한 직접적인 감독을 제공하며, 완전한 궤적은 연속적인 전이 간의 의존성을 드러냅니다. 이에 따라 본 논문에서는 상호작용을 통해 VLM이 물리적 세계의 상태 전이를 모델링하도록 학습시키는 프레임워크인 Spatial-Interactor를 소개하며, 이 학습 과정을 L1 수동적 세계-상태 전이, L2 능동적 자아-상태 전이, L3 장기적(long-horizon) 상호작용 궤적을 아우르는 3단계 커리큘럼으로 구성합니다. 이에 맞춰 시뮬레이션 및 실제 상호작용 궤적으로부터 각 단계의 목표에 맞춘 태스크를 포함하는 Learning from Spatial Interaction 데이터셋(LSI-108K)을 구축합니다. 제안하는 2단계 학습 전략은 국소적 전이 모델링을 위해 L1 및 L2에 지도 미세조정(SFT)을 적용한 뒤, 온-정책 증류(OPD)를 통해 특권적 자기 증류(privileged self-distillation)를 사용합니다. 즉, 구간 수준의 전이 설명이 주어지는 교사 브랜치가 학생의 온-정책 사고의 연쇄(CoT)를 감독하여, 학생이 L3 긴 궤적에 걸쳐 연속적인 전이를 통합하는 방법을 학습하도록 돕습니다. 여러 VLM 및 공간 벤치마크에 걸친 실험을 통해 국소적 전이 모델링과 장기적 통합 전반에서 일관된 성능 향상을 입증합니다.

arXiv:2609.21677v2cs.AI

GUARD: Guided Answer-Reasoning Distillation을 통한 대규모 추론 모델의 자연스러운 망각

GUARD: Natural Forgetting in Large Reasoning Models via Guided Answer-Reasoning Distillation

최근 대규모 추론 모델(LRM)의 발전으로 머신 언러닝(machine unlearning)이 더욱 어려워졌는데, 이는 최종 답이 나오기 전 중간 사고의 연쇄(CoT) 경로에서 보호 대상 사실이나 안전하지 않은 근거가 드러날 수 있기 때문이다. 기존 언러닝 목적 함수는 대개 타깃 콘텐츠를 억제하거나 내부 표현을 재지향하지만, 망각 이후 궤적이 어떻게 이어져야 하는지는 명시하지 않아 환각(hallucination)에 기반한 대체물, 비정상적인 경계, 또는 반복적인 출력을 낳을 수 있다. 우리는 LRM 언러닝이 원래의 공개를 대체하는 일관된 비공개 CoT와 이에 이어지는 안정적인 거절 형태의 답변으로 이루어진 자연스러운 망각 궤적을 학습해야 한다고 주장한다. 이를 위해 모델이 생성한 안전하지 않은 공개를 안전한 종료(safe-exit) 궤적으로 바꾸고, 안내 토큰(guidance token)으로 동결된 LRM을 정렬(alignment)한 뒤, 이렇게 유도된 행동을 모델 파라미터로 증류(distillation)하는 GUARD(Guided Answer-Reasoning Distillation)를 제안한다. 유출 여부를 넘어 대체 품질을 재는 지표가 부족한 문제를 위해, 망각된 출력의 구조적 안정성, 유창성, 근거 없는 대체물을 반영하는 NFRS(Natural Forgetting Reasoning Score)를 도입한다. R-TOFU와 STAR-1 기반 유해 의도 설정에 대한 광범위한 실험에서 GUARD는 널리 쓰이는 두 증류 LRM에서 안전하지 않은 공개와 개인정보 유출을 크게 줄이면서 추론 유용성을 유지함을 보인다.

arXiv:2609.16639v2cs.AI

ReDraft, 단순 증류가 아닌 참조 기반 수정: 지속적 VLLM 사후 학습

ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training

대규모 멀티모달 모델의 지속적 사후 학습은 새로운 능력을 추가하면서 사전학습에서 얻은 능력을 보존해야 하며, 두 목표는 서로 반대 방향으로 당긴다. SFT는 거의 0에 가까운 정확도에서 과제를 학습하는 명시적 타깃 지도를 제공하지만, 오프-정책 타깃이 모델을 충분히 멀리 이동시켜 망각을 유발한다. RLVR 및 자기 증류(self-distillation) 같은 온-정책 방법은 정책 근접성을 유지하지만, 정책이 아직 과제를 풀 수 없을 때는 신호를 거의 제공하지 않는다. 우리는 ReDraft(Reference-Driven Revision and Fine-Tuning, 참조 기반 수정 및 미세조정)를 제안한다. 이 방법은 모델 자신의 실패로부터 두 목표를 모두 달성한다. 전문가 응답은 참조로만 사용하고, 모델이 자신의 잘못된 롤아웃을 수정하게 한 뒤, 검증기(verifier)가 수용한 수정만 유지하고, 남은 것에 대해 미세조정한다. 따라서 유지된 각 타깃은 명시적이면서도 현재 정책에 가깝다. Counting, Clock Reading, Jigsaw에서 Qwen2.5-VL-3B/7B로 평가했으며, 이 중 두 과제는 거의 0에 가까운 정확도였다. ReDraft는 타깃 과제에서 SFT의 52.9점 대비 56.9점을 얻었고, 이전 과제 손실을 16.6점에서 1.5점으로 줄였다(망각 11.3배 감소). OPSD 대비 두 축 모두에서 개선되었다(19.3점 향상, 6.2점 손실). 데이터 및 매개변수 공간 분석은 설계와 일치한다. 수정된 타깃은 베이스 모델 하에서 더 높은 확률을 갖고, 이들이 유도하는 업데이트는 compact하며 OPSD보다 SFT 방향을 더 가깝게 따른다. 전문가 출력으로 대체하는 대신 모델 자신의 출력을 수리하는 것이 하나의 목표로 두 가지를 모두 가능하게 한다.

arXiv:2605.01457v4cs.AI

CoFlow: 오프라인 다중 에이전트 의사결정을 위한 조율된 소수 스텝 Flow

CoFlow: Coordinated Few-Step Flow for Offline Multi-Agent Decision Making

생성적 오프라인 다중 에이전트 강화학습이 빠른 공동 궤적 생성과 효과적인 협력을 동시에 달성하려면 어떻게 해야 할까? 다중 에이전트 확산 모델은 반복적 샘플링으로 공동 궤적을 생성하지만 높은 추론 지연을 초래한다. 지식 증류(distillation)는 샘플링 단계를 줄이지만 교사의 에이전트 간 의존성을 잃을 수 있어 협력 과제의 성공률을 낮출 수 있다. 공동 소수 스텝 생성기를 직접 학습하면 증류 과정에서 이러한 의존성을 잃는 것을 피할 수 있다. 그러나 에이전트 간 의존성의 불충분한 모델링은 여전히 협력을 저해할 수 있다. 또한 일관성 학습(consistency training) 과정은 큰 계산 및 메모리 비용을 수반한다. 따라서 우리는 증류 없이 원스텝 및 소수 스텝 다중 에이전트 궤적 생성을 위해 공동 평균 속도 필드를 직접 학습하는 조율된 소수 스텝 Flow(Coordinated Few-Step Flow, CoFlow)를 제안한다. 생성 중 협력을 지원하기 위해 조율된 속도 어텐션(Coordinated Velocity Attention, CVA)은 각 에이전트의 예측에 팀원 궤적 정보를 통합한다. 이 공동 모델의 일관성 학습 비용을 줄이기 위해 유한 차분을 사용하여 보정 항을 근사한다. MPE와 SMAC에서 48가지 구성에 걸쳐 CoFlow는 중앙집중식 및 분산 실행을 지원한다. 중앙집중식 실행에서 CoFlow는 재현한 기준선보다 11.2% 우수하며, 두 벤치마크 스위트 모두에서 상대적 향상을 동일하게 평균 낸 결과 12.93배의 모델 샘pling 속도 향상을 보인다. CVA는 교차 에이전트 어텐션을 비활성화한 동일 모델 대비 정규화 점수를 평균 165.1% 개선한다. 정확한 도함수 구현과 비교할 때, 유한 차분 학습은 1.78배 속도 향상을 달성하고 최대 GPU 메모리를 41.1% 줄인다. 프로젝트 페이지: https://github.com/Guowei-Zou/coflow.

arXiv:2609.24984v1cs.CV

WorldCrafter: 암시적 3D 인식 메모리를 갖춘 일관된 비디오 월드 모델

WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory

비디오 월드 모델(video world model)은 동적 환경의 인터랙티브한 탐험을 가능하게 하지만, 긴 지평(long horizon)과 다양한 시점에 걸쳐 이전 관측 결과를 온전히 반영하는 데 어려움을 겪습니다. 본 논문에서는 이를 위해 카메라로 쿼리 가능한 암시적 3D 인식 메모리를 학습하는 비디오 월드 모델인 WorldCrafter를 제시합니다. 핵심 통찰은 요청된 시점이 비디오 생성기의 제한된 토큰 예산 내에서 다중 뷰 단서가 압축되는 방식을 결정하도록 하는 것입니다. 비디오 생성기와 공동으로 학습되는 메모리 인코더 및 포즈 조건부 판독(readout) 모듈은 명시적인 깊이 기반 대응점 없이도 디노이징 전에 이전 관측값들을 고정된 수의 목표 시점 특화 토큰 세트로 통합합니다. 이 메모리를 최근 시간적 컨텍스트 및 소수 단계 지식 증류(few-step distillation)와 결합함으로써, WorldCrafter는 단일 입력 이미지 또는 텍스트 프롬프트로부터 스트리밍 장면 탐험을 가능하게 합니다. 정적 및 동적 장면에 걸친 실험 결과, 분 단위 탐험 중에도 시각적 품질을 유지하면서 긴 지평의 일관성과 카메라 제어 정확도 측면에서 상당한 성능 향상을 입증합니다.

arXiv:2609.24872v1cs.CV

DTKDP: 경량화 지향 SAR 선박 검출을 위한 이중 교사 지식 증류 및 가지치기 프레임워크

DTKDP: A Dual Teacher Knowledge Distillation and Pruning Framework for Lightweight Oriented SAR Ship Detection

2단계 지향 검출기는 합성 aperture radar(SAR) 선박 검출에서 높은 위치 정확도를 달성하지만, 큰 백본, 특징 피라미드, proposal 모듈, 그리고 무거운 관심 영역(RoI) head가 배포를 방해한다. 기존 경량 SAR 선박 검출기는 일반적으로 proposal 수준의 정밀한 회전 위치 보정(refinement)이 부족한 1단계 프레임워크를 사용한다. 본 논문은 경량화 지향 SAR 선박 검출을 위한 이중 교사 지식 증류 및 가지치기(DTKDP) 프레임워크를 제안한다. DTKDP는 합성곱, 정규화, 선형 층에 학습 가능한 게이트를 도입하여 합성곱 채널과 RoI-head 뉴런을 가지치기한다. 회전 proposal 정렬(RPA)은 교사가 생성한 공유 회전 proposal 공간에서 교사와 학생(student)의 예측을 증류하며, 이중 교사 방식은 동종(homogeneous) 주 교사의 분류 및 회귀(regression) 지도와 이종(heterogeneous) 보조 교사의 보완적 분류 단서를 결합한다. SAR Ship Detection Dataset(SSDD) 및 Rotated Ship Detection Dataset in SAR Images(RSDD-SAR)에서의 실험은 DTKDP가 ResNet-50 백본을 갖춘 Oriented Region-based Convolutional Neural Network(Oriented R-CNN)와 RoI Transformer의 파라미터를 87.5–91.8% 줄이고 부동소수점 연산(FLOPs)을 75.6–79.9% 줄임을 보여준다. 평균 정밀도(AP) 및 mean average precision(mAP) 측면에서, 그 결과로 얻은 Oriented R-CNN-slim과 RoI Transformer-slim은 전체 규모 대응 모델에 근접한 정확도를 유지한다. $\mathrm{AP}_{50}$, $\mathrm{AP}_{75}$, $\mathrm{mAP}_{50:75}$, $\mathrm{mAP}_{50:95}$에 대한 상대 변화는 2.38% 감소에서 0.65% 개선까지 범위에 있다. RTMDet-tiny와 비교하면 두 데이터셋 모두에서 네 가지 지표를 0.52–27.55% 개선하며, 대표적인 지식 증류 방법들을 일관되게 능가하여 유리한 정확도–효율 트레이드오프를 입증한다.

arXiv:2609.24682v1cs.RO

월드 모델처럼 생각하고 VLA처럼 행동하기: 월드 모델 표현을 소형 로봇 정책으로 증류하기

Think Like a World Model, Act Like a VLA: Distilling World-Model Representations into Compact Robot Policies

비전-언어-행동(VLA, Vision-Language-Action) 모델은 세상이 어떻게 반응하는지를 고려하는 목적 함수 없이 관측을 행동으로 매핑하므로, 이들의 견고성은 주로 데이터 커버리지에 의해 제한됩니다. 월드 모델은 바로 그 결여된 목적 함수를 지니고 있어 그 덕분에 더 우수한 그라운딩(grounding)을 갖추고 있지만, 미래를 시뮬레이션(rolling forward)하는 데 결정당 수 초가 걸려 제어 루프에서 배제됩니다. 우리는 이 둘을 분리할 수 있음을 보여줍니다. 물리적 장면에 대해 월드 모델이 알고 있는 것은 그것의 내부 특징(feature)에 존재하며, 미래를 생성하는 것은 단지 그 특징을 생성해 낸 목적 함수일 뿐이므로, 생성 메커니즘은 남겨둔 채 그라운딩만을 물려받을 수 있습니다. 우리는 일반적인 VLA 학습(training)에 특징 정렬(feature-alignment) 손실 항 하나를 추가합니다. 즉, 동결된 월드 모델을 학습 프레임에 대해 한 번 실행하여 캐시해 두고, 학생 모델은 해당 캐시와 일치하도록 학습합니다. 학습 중에는 교사 모델이 로드되지 않고, 프로젝터는 학습 후 폐기되며, 배포된 정책은 증류되지 않은 기준선(baseline)과 동일하여 소비자용 RTX 5090에서 32 ms 및 1.86 GB로 동작하므로, 모든 성능 향상은 추가된 용량이나 테스트 시점 연산(test-time compute)이 아닌 표현(representation) 덕분입니다. 0.8B 학생 모델은 LIBERO에서 97.9%를 달성하고, RoboCasa-GR1 휴머노이드 조작에서 48.2%에서 50.5%로 향상되었으며, 동일한 목적 함수가 단일 암 및 양팔 플랫폼 모두의 실제 하드웨어로 이어집니다. 이러한 성능 향상은 학생 모델 크기, 백본, 정렬 층(layer), 교사 모델의 변경에도 유지되어, 두 특정 네트워크 간의 취약한 정렬이 아닌 광범위한 표현 사전 확률(representational prior)임을 나타냅니다. 프로젝트 페이지: https://thaw-vla.trung-dt.com/.

arXiv:2609.24627v1cs.CV

FedMust: 다중 장기 CT 분할을 위한 준지도 멀티태스크 학생-교사 연합 학습

FedMust: Semi-supervised Multi-task Student-Teacher Federated Learning for Multi-organ CT Segmentation

심층 학습(deep learning)을 이용한 다중 장기 분할(multi-organ segmentation)은 주석(annotation)이 달린 대량의 환자 데이터를 필요로 하지만, 각 기관에는 충분히 크고 다양한 주석 데이터셋(dataset)이 부족한 경우가 많습니다. 또한 개인정보 보호 제약으로 인해 이러한 한계를 극복하기 위해 기관 간에 환자 데이터를 공유하는 것도 불가능합니다. 더욱이 주석 작업의 노동 집약적인 특성과 다양한 전문성의 부족으로 인해, 기관들은 일반적으로 로컬 데이터의 극히 일부에 대해서만 레이블을 보유하고 있어 레이블이 없는 더 많은 양의 데이터는 활용되지 못한 채 남겨집니다. 본 연구에서는 참여 사이트 전반에서 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 모두 활용하여 다중 장기 분할 성능을 개선하기 위해 연합 학습(FL)을 활용하는 유연한 준지도 연합 멀티태스크 학생-교사 프레임워크를 제안합니다. 제안된 프레임워크는 각 통신 라운드마다 로컬 학습(training)을 시작하며, 동일한 태스크에 대한 레이블을 보유한 클라이언트들이 연합을 구성하여 집합된 교사 모델(teacher model)을 생성합니다. 이렇게 생성된 교사 모델은 각 클라이언트의 모든 데이터에 대해 태스크별 특징(feature)을 생성합니다. 이어서 모든 클라이언트는 두 번째 연합을 구성하여 공유 인코더와 모든 분할 태스크에 걸쳐 교사가 생성한 특징을 복제하는 태스크별 디코더를 갖춘 멀티태스크 학생 모델(student model)을 학습시킵니다. 이후 집합된 학생 모델은 로컬 교사 모델을 업데이트하고 다음 학습 라운드를 시작하는 데 사용됩니다. 광범위한 실험을 통해 제안된 방법이 로컬 및 연합 단일 장기 모델 대비 효과적임을 입증하였으며, 클라이언트 전반에 걸쳐 평균 13%의 성능 향상을 달성했습니다. 또한 실험을 통해 멀티태스크 학습과 레이블이 지정되지 않은 데이터의 영향력, 그리고 클라이언트 참여를 위한 레이블 데이터 요구 조건을 완화하는 데 본 프레임워크를 적용할 수 있음을 입증했습니다. 코드는 https://github.com/AshknMrd/FedMust 에서 확인할 수 있습니다.

arXiv:2609.24526v1cs.CV

ME-VLM: 체화 인지와 에이전트 조정을 위한 통합 VLM

ME-VLM:A Unified VLM for Embodied Cognition and Agent Coordination

피지컬 AI(Physical AI)는 모델이 환경적 제약과 실행 피드백을 고려하면서 시각 및 언어적 이해를 실제 환경에 그라운딩(grounding)할 것을 요구합니다. 본 논문에서는 체화 인지(embodied cognition)와 멀티모달 에이전트 역량을 결합한 통합 비전-언어 모델(VLM)인 MachEmbodied-VLM(ME-VLM)을 소개하며, 4B 및 35B-A3B 두 가지 변형으로 제공됩니다. 본 연구는 디지털 및 물리적 환경 모두에서의 계획 수립, 상호작용 및 결과 평가와 함께 물리적 지각 및 시공간 추론을 강조합니다. 체화 및 멀티모달 에이전트 태스크를 포괄하는 학습(training) 데이터를 구축하였으며, 여기에는 결과 평가와 의사결정 개선을 지원하기 위한 실행 관측 및 피드백이 포함됩니다. 학습 파이프라인은 체화 역량 주입, 체화 및 멀티모달 에이전트 전문가에 대한 개별 강화학습(RL), 그리고 이들의 상호보완적 역량을 단일 모델로 통합하는 다중 교사(multi-teacher) 온-정책(on-policy) 지식 증류(distillation)로 구성됩니다. 실험 결과, 체화 및 에이전트 벤치마크뿐만 아니라 자율주행 및 체화 내비게이션 태스크에서도 경쟁력 있는 성능을 보였습니다. 엣지 배포(edge deployment)를 위해 시각 토큰(token) 압축, W4A8 양자화(quantization), 하드웨어-소프트웨어 공동 최적화를 적용하여 M100에서 4B 모델의 온디바이스 추론(inference)을 실현하고 프리필(prefill) 지연 시간을 400 ms에서 188 ms로 단축했습니다. 프로젝트 페이지: https://machembodied.com/ME-Brain/ME-VLM.html 코드 저장소: https://github.com/MachEmbodied/ME-VLM

arXiv:2609.24312v1cs.CV

AnalogDepth: 아날로그 비디오 전송 환경에서 FPV 드론을 이용한 다중 시점 기하학

AnalogDepth: Multi-view Geometry from FPV drones under Analog Video Transmission

아날로그 비디오 전송(VTX)은 낮은 지연 시간, 가벼운 무게, 저비용 덕분에 FPV 드론에서 여전히 널리 사용된다. 그러나 아날로그 VTX는 표준 학습 증강에 사용되는 디지털 이미지 손상(예: AWGN)과는 근본적으로 다른, 복잡하고 공간적으로 구조화된 이미지 열화를 겪는다. 본 연구는 이러한 유형의 노이즈가 최신 피드포워드 시각 기하학 파운데이션 모델인 Depth Anything 3(DA3)의 정확도를 심각하게 저하시킨다는 것을 보인다. 이러한 격차를 해소하기 위해, 우리는 DINOv2 백본에 주입된 Low-Rank Adaptation(LoRA)을 활용한 학생-교사 지식 증류를 통해 DA3를 아날로그 FPV 영상에 적응시키는 매개변수 효율적 학습 파이프라인인 AnalogDepth를 제시한다. 노이즈를 분석적으로 합성하는 대신, 우리는 다양한 조건에서 촬영된 정적 FPV 녹화 영상으로부터 노이즈 뱅크를 구축하고, 실제 노이즈 주입을 PSD 매칭 가우시안 합성 및 AWGN 기준선과 비교한다. 세 곳의 실내 장면에서 촬영된 여섯 개의 실제 FPV 비행 시퀀스에 대한 실험 결과, 우리의 노이즈 뱅크를 이용한 학습이 사전학습된 DA3 기준선 및 두 가지 가우시안 노이즈 변형과 비교하여 프레임별 깊이 RMSE와 3D 재구성 챔퍼 거리(Chamfer distance)를 일관되게 감소시킨다는 것을 보여준다. 이러한 결과는 실제 아날로그 전송 노이즈의 공간적 구조를 재현하는 것이 효과적인 적응에 필수적임을 보여준다.

arXiv:2609.24244v1cs.CV

중요한 곳을 보라: 세밀한 비전-언어 추론을 위한 무료의 레이블 없는 시각적 증거 신호

Look Where It Counts: A Free, Label-Free Visual Evidence Signal for Fine-Grained Vision-Language Reasoning

멀티모달 대규모 언어 모델(MLLM)은 추론을 하지 못해서가 아니라 애초에 증거를 보지 못하기 때문에 세밀한 시각적 질문에서 실패한다: 고해상도 이미지는 인코딩되기 전에 다운샘플링되므로, 모델은 언어적 사전(linguistic prior)에 기반해 답한다. 표준적인 해결책들은 비용이 크다: 주석된 정답(SFT), 수작업으로 설계된 검증기(RLVR), 또는 대규모 외부 교사 모델을 이용한 온-정책 증류(on-policy distillation)가 필요하다. 우리는 시각적 증거 자체가 무료로 이러한 신호를 제공할 수 있는지 묻는다. 우리는 대조적 증거 격차(contrastive evidence gap), 즉 질문과 관련된 영역을 조건으로 했을 때와 관련 없는 영역을 조건으로 했을 때 모델이 자신의 출력에 부여하는 토큰별 로그-가능도 비율을 정식화하고, 이를 V*Bench 상에서 Qwen2.5-VL-7B, Qwen3-VL-8B, Qwen3-VL-30B-A3B 전반에 걸쳐 연구한다. 우리의 주요 긍정적 결과는 학습이 필요 없다는 것이다: 모델의 답변 분포가 가장 뾰족해지는 후보 크롭(crop)을 선택하는 단일 뷰(single-view)의 레이블 없는 기준만으로, 바운딩 박스나 학습, 레이블 없이도 정답을 포함하는 영역을 찾아낼 수 있다. 이는 우연에 비해 목표 영역을 4.4배에서 5.1배 더 정확하게 지역화하며, 추론 시 세밀한 정확도를 70%에서 85%로 끌어올린다. 우리는 또한 이 격차가 모델 자신의 확신도(confidence)와 상호 보완적임을 보인다. 둘을 결합하면 각각을 단독으로 사용할 때보다 정답 여부를 더 잘 예측하며, AUC는 최대 0.99에 이르고, 고확신 하위집합 내에서 자신 있게 틀린 답변을 AUC 0.97~1.00으로 표시해낸다. 이러한 효과는 모두 지각 병목(perception-bottleneck) 질문에 집중되며, 전역 맥락(global-context) 대조군에서는 사라진다. 마지막으로 우리는 정직한 부정적 결과를 보고한다: 동일한 신호를 학습 방법으로 전환한 게이트형 자기 증류(gated self-distillation, SEG-Distill)는 파일럿 규모에서 세 가지 게이트 설계 전반에 걸쳐 기본 모델을 능가하지 못했으며, 더 공격적인 게이팅은 오히려 정확도를 저하시켰다. 이 신호는 실재하지만, 이를 학습 성능 향상으로 전환하는 것은 여전히 열린 문제로 남아 있다.

arXiv:2609.23815v1cs.CV

3D 의료 분할을 위한 신뢰도 인식 교사-학생 지식 증류

Confidence-Aware Teacher-Student Distillation for 3D Medical Segmentation

의료 이미지 분할 모델은 일반적으로 대량의 밀집 주석이 달린 체적 데이터에 의존하여, 작업과 영상 방식 전반에 걸친 확장성을 제한한다. 본 연구는 극단적인 주석 희소성 하에서 전체 3D 해부학적 구조를 예측하는 문제를 다룬다. 체적당 단일 2D 슬라이스에 점 프롬프트(point prompt) 집합만 입력으로 요구하는, 자동 3D 의료 분할용 주석 효율적 교사-학생 프레임워크를 제안한다. 파운데이션 모델이 오프라인 교사로 작동하며, 선택된 슬라이스의 점 프롬프트를 이용해 학생 학습 전에 전체 체적 의사 주석과 이에 대응하는 공간적 신뢰도 점수를 생성한다. 노이즈가 있는 의사 주석의 오류 전파를 줄이기 위해, 과제별 3D 학생 네트워크를 신뢰도 인식 최적화(optimization) 전략으로 학습한다. 교사의 사전 계산된 신뢰도 점수를 활용해, 이 전략은 의사 주석 중 정적으로 불확실한 영역을 손실(loss) 계산에서 명시적으로 제외하고, 동시에 신뢰도가 더 높은 영역을 강조한다. 3D 심장 MRI 데이터셋(dataset)에서 평가한 결과, 제안 프레임워크는 최신 준지도(semi-supervised) 방법을 능가하며 이미지 분할 성능을 최대 43.6% 향상시킨다. 또한 체적당 소수의 양성 점 프롬프트만으로 수동 주석 부담을 크게 줄이면서, 교사 대비 표면 경계 정밀도(precision)를 최대 14.7% 개선하고, 완전 지도 학습 상한 대비 성능 격차의 최대 34.1%를 회복한다.