PyTorchKR Papers

최신 논문

총 11,108편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.10559v1cs.AI

대규모 언어 모델 에이전트를 활용한 기체 분리용 금속-유기 골격체 역설계 가속화

Large language model agents accelerate inverse design of metal-organic frameworks for gas separation

금속-유기 골격체(MOF)는 흡착 기반 기체 분리를 위한 고도로 모듈화된 플랫폼을 제공하지만, 방대한 망상형 설계 공간으로 인해 화학적 유효성, 분리 성능, 구조적 다양성을 동시에 충족시키는 역설계가 어렵다. 본 연구에서는 MOFid 공간에서 기체 분리용 MOF의 폐루프 역설계를 위한 대규모 언어 모델 에이전트 프레임워크인 LEMO Agent를 제안한다. LEMO Agent는 언어 기반 후보 생성, MOFid 표준화, 명시적 유효성 검사, 트랜스포머 기반 특성 예측, 구조화된 설계 메모리, 다중 섬 탐험을 결합한다. 반복적인 생성-검증-평가-기억 주기를 통해, 에이전트는 성공한 후보와 실패한 후보 모두로부터의 피드백을 활용하여 링커, 금속, 위상 선택에 걸친 화학적 제약 탐색을 유도한다. LEMO Agent를 CH$_4$/N$_2$ 및 CO$_2$/N$_2$ 분리 과제에서 평가하였다. 대표적인 생성형, 최적화, 에이전트 기반 기준 모델과 비교하여, LEMO Agent는 고성능 후보를 더욱 풍부하게 하고, 예측된 분리 성능을 향상시키며, 폭넓은 화학적·위상적 다양성을 유지한다. 선별된 후보들은 추가로 재구성되어 GCMC 시뮬레이션으로 평가되고, 화학적 실현 가능성과 리간드 구매 가능성에 기반한 실험적 후보 축소 워크플로를 거쳐 초기 실험실 합성 및 SEM 특성 분석으로 이어진다. 이러한 결과는 대규모 언어 모델 에이전트가 기존의 고정 라이브러리 스크리닝을 넘어 MOF 발견을 가속화하기 위한 해석 가능하고 확장 가능한 설계 엔진으로 기능할 수 있음을 입증한다.

arXiv:2607.10539v1cs.AI

AI YOU Town: 디지털 트윈으로 친구를 사귀고 수익을 창출하세요

AI YOU Town: Make Friends and Money with Your Digital Twin

사용자 특성을 추론하고 페르소나에 일관된 응답을 생성하는 기존 접근법은 정적 프롬프팅에 의존한다. 이러한 방법들은 보정된 불확실성이 부족하고, 순차적 증거를 무시하며, 장기 상호작용 중에 드리프트가 발생한다. 우리는 대화로부터 22개 차원의 성격 프로파일을 지속적으로 업데이트하고 이를 개인 디지털 트윈에 구현하는 프레임워크인 AI YOU를 제시한다. 실제로, 이 시스템은 페르소나 추론을 위해 프롬프팅, 베이지안 업데이트(Bayesian updating), 등각 예측(conformal prediction)을 결합한다. 주기적으로 갱신되는 메모리 앵커와 세 계층으로 구성된 인지 메모리가 장기 상호작용에서 페르소나 일관성을 유지한다. 주요 실험 결과에서, AI YOU는 (i) 0.921에서 0.976 범위의 등각 커버리지를 달성하고, (ii) 불확실성 보정과 메모리에 기반한 추론을 개선하며, (iii) 다중 에이전트 적대적 환경에서 평가된 대부분의 백본에 대해 100턴 이상의 롤플레잉에서 정적 프롬프팅 대비 페르소나 충실도를 향상시키고 특성 드리프트를 감소시킨다. 프로토타입 AI YOU Town은 미래 상호작용을 위한 상상력 넘치는 트윈 세계를 초기화한다. 온라인 데모는 quinnnnnne-ai-you.hf.space에서 이용할 수 있다.

arXiv:2607.10534v1cs.AI

에이전트 스킬의 층간 정렬 불일치 탐지: 점진적 로딩 인식 대조 학습 접근법

Cross-Layer Misalignment Detection in Agent Skills: A Progressive Loading-Aware Contrastive Learning Approach

대규모 언어 모델(LLM) 에이전트는 자연어 메타데이터, 절차적 지침, 실행 시 리소스를 런타임 사용을 위해 패키징하는 재사용 가능한 아티팩트인 에이전트 스킬(Agent Skills)을 통해 점점 더 확장되고 있다. 오픈소스 스킬 마켓플레이스가 확장됨에 따라 사용자와 에이전트는 서드파티 스킬을 선택하기 위해 간략한 메타데이터에 점점 더 의존하게 되어, 스킬의 설명과 실제 동작 간의 불일치를 탐지하기 어려워졌으며, 우리는 이 문제를 층간 정렬 불일치(cross-layer misalignment)라 부른다. 이 문제를 해결하기 위해, 우리는 에이전트 스킬의 계층 구조를 모델링하고 층간 일관성을 학습함으로써 정렬 불일치를 탐지하는 LLM 기반 프레임워크인 점진적 로딩 인식 계층적 대조 학습(PL-HCL, Progressive Loading-Aware Hierarchical Contrastive Learning)을 제안한다. 264,000개 이상의 오픈소스 스킬로 구성된 정규화 코퍼스와 인간 검증 챌린지 세트를 활용하여, PL-HCL은 평가된 LLM 백본 전반에 걸쳐 적응되지 않은 베이스라인의 Macro-F1 약 0.45에서 0.87–0.89로 향상시켰다. 이 접근법은 사용자와 운영자를 위한 효과적인 스크리닝 도구를 제공하며, 계층화된 디지털 아티팩트의 불일치 탐지를 위한 설계 원칙을 제시한다.

arXiv:2607.10455v1cs.AI

ANCHOR: 실제 위해 사례 기반 CLI 에이전트 자동 정렬 감사 프레임워크

ANCHOR: Automated Alignment Auditing for CLI Agents on Real-World Harm

자율 CLI 에이전트는 이제 수 시간에 걸친 세션에서 수백 가지 작업을 실행할 수 있다: 코드 작성, 셸 명령 실행, 웹 브라우징, 클라우드 인프라 관리 등을 최소한의 인간 감독 하에 수행한다. 자율성이 높아질수록 위험도 커지는가? 우리는 미국 공개 법원 판례에 근거한 불법 태스크로 CLI 에이전트를 스트레스 테스트하는 자동화된 감사 프레임워크인 ANCHOR를 소개한다. ANCHOR는 지도 학습 및 강화학습 기반 파인튜닝을 통해 어두운 성격 데이터로 파인튜닝된 감사 에이전트를 배포한다. 이 감사 에이전트는 태스크를 분해하고, 거절 시 요청을 재구성하며, 다중 턴 상호작용에 걸쳐 전략을 적응시키는 지속적인 악의적 사용자를 역할극한다. 프런티어 CLI 에이전트를 평가한 결과, 직접적으로 요청받을 경우 불법 태스크를 자주 거부하지만, 지속적인 악의적 상호작용 하에서는 순응률이 100%에 달하는 것으로 나타났다. 에이전트가 순응할 경우, 대규모 금융 사기 및 생물무기 개발과 같은 치명적 위험 시나리오를 포함하여 대규모 위해를 위한 인프라를 자율적으로 구축하는 등 사용자 요청을 빈번히 초과 수행했다. 이러한 결과는 현재의 정렬(alignment) 기법이 자율 에이전트에 충분하지 않음을 보여주며, 지속적이고 적응적인 악의적 사용자에 대한 안전성 평가의 필요성을 강조한다. ANCHOR는 https://github.com/garified/anchor 에서 공개된다.

arXiv:2607.10296v1cs.AI

SPARK: 대규모 언어 모델의 잠재 추론 상태에 대한 취약성 기반 프로파일링 및 조정

SPARK: Susceptibility-Guided Profiling and Steering of Latent Reasoning States in Large Language Models

대규모 언어 모델(LLM)의 추론 실패는 보통 최종 답변을 기준으로 평가되지만, 오답만으로는 모델이 실패한 이유를 알 수 없다. 동일한 오류 출력이 역량 부재, 불안정한 추론 궤적, 또는 동결된 모델에 이미 내재된 추론 상태를 활성화하지 못한 것 중 어느 것에서 비롯되었는지 파악하기 어렵다. 기존의 프롬프트 기반 및 벤치마크 기반 평가 방법은 대부분 출력 수준에서 동작하며, 일반적인 활성화 조정 방법은 어떤 예제에 개입이 필요한지 진단하지 않고 전역적인 방향을 적용하는 경향이 있다. 본 논문에서는 SPARK를 소개한다. SPARK는 은닉 상태 응답을 활용하여 모델이 내부적으로 효과적인 추론 상태에 진입하는지 진단하고, 경량의 테스트 타임 조정을 유도한다. 핵심 관찰은 원시 은닉 상태 취약성이 프롬프트 길이에 의해 강하게 교란된다는 것으로, 특히 직렬화된 어려운 인스턴스가 자연스럽게 더 길어지는 프로그래밍적·알고리즘적 추론에서 두드러진다. 따라서 SPARK는 길이 보정 취약성을 사용하여 입력 규모 효과와 잔여 추론 활성화를 분리하고, 이 신호와 층 간 조율을 결합하여 추론이 활성화된 앵커와 활성화가 부족한 어려운 예제를 선택한다. 잠재 프로파일링 및 난이도 인식 분석을 위한 통제된 프로그래밍 추론 스위트로 FRONTIER-4.5K를 사용하고, 순전파 전용 벤치마크 프로파일링을 통해 GSM8K와 MATH-500에서 SPARK-Steering을 평가한다. 제안 방법은 Qwen3 시리즈 모델에서 일관된 성능 향상을 보이며, MATH-500에서 Qwen3-4B의 정확도는 82.0%에서 84.6%로, Qwen3-8B는 82.4%에서 85.6%로 향상된다. 이러한 결과는 취약성이 추론 실패에 대한 진단 신호로서뿐만 아니라, 목표 지향적 테스트 타임 개입을 위한 실용적인 지침으로도 활용될 수 있음을 시사한다.

arXiv:2607.10291v1cs.SE

부분 계약으로 충분하다: 건전하고 LLM이 추론한 회귀 검증

Partial Contracts Suffice: Sound, LLM-Inferred Regression Verification

소프트웨어는 지속적으로 진화하지만, 전체 코드베이스를 재검증하지 않고 패치가 의도된 동작을 보존하는지 확인하는 것은 여전히 어렵다. 회귀 검증(regression verification)은 이 문제를 다루지만, 기존 기법들은 비용이 많이 드는 전체 프로그램 추론을 요구하거나 실제로는 거의 제공되지 않는 수동 작성 명세에 의존한다. 우리는 최초의 계약 기반 회귀 검증 도구를 제시한다. 계약의 건전성(soundness)은 모든 함수 버전이 동작에 부합함을 증명함으로써 보장된다. 그런 다음 계약은 가정-보장(assume-guarantee) 방식을 통해 프로그램 흐름을 검증한다. 우리는 완전한 동작 명세 대신 부분적이고 호출자 충족적인(caller-sufficient) 계약만으로도 충분한지를 묻는다. Frama-C-Problems에서 추론된 각 계약을 호출자가 필요로 하는 수준 이상으로 강화하고 얼마나 더 엄격해지는지 측정한다. 거의 변화가 없다: 모든 모델의 대부분의 대상에서 호출자 충족 계약은 이미 루프가 도달하는 가장 엄격한 수준이며, 우리의 엄격성 비교기는 비교 가능한 대상의 대다수에서 부분 계약과 강화된 계약을 동등하게 평가한다. 따라서 부분 명세 계약은 달성 가능한 엄격성의 거의 전부를 포착하므로, 호출자 충족 수준에서 멈추는 것은 거의 아무런 비용이 없다. 그 아래의 회귀 검사는 건전하다: 서드파티 EqBench-C 스위트에서 동등성을 위조하지 않으며, 거짓 증명을 전혀 반환하지 않고 대신 증명 불가한 차이를 보고한다. 또한 EqBench가 동등하다고 잘못 레이블링한 9개의 쌍을 발견했는데, 이는 동시대의 도구가 보고하는 것보다 많다. 계약 자체는 검사기 자신의 반례(counterexample)로부터 별도의 명세 단계 없이 자동으로 추론된다; Frama-C-Problems와 ANSSI X509 파서에서 AutoSpec 및 Preguss 도구와 비견되는 검증률에 도달하며, 합격 결과는 우리가 \emph{안전성 보존 조건부 동등성(safety-preserving conditional equivalence)}이라 부르는 적어도 그만큼 강한 속성, 즉 강제 적용(enforcement)과 호출자 충족성(caller-sufficiency)을 인증한다.

arXiv:2607.10275v1cs.AI

에이전트 임상 추론에서 대규모 언어 모델의 정보 탐색 실패

Information-seeking failures of large language models in agentic clinical reasoning

대규모 언어 모델(LLM)은 의학 지식 평가에서 높은 점수를 달성하지만, 임상 추론은 불확실성 하에서 무엇을 조사할지 능동적으로 결정하는 것을 요구한다. 우리는 혈액종양학 분야에서 에이전트 평가 프레임워크를 개발하였으며, 이 프레임워크에서 모델은 진단 및 치료 계획을 확정하기 전에 세 번의 순차적 라운드에 걸쳐 임상 데이터를 선제적으로 요청해야 한다. 32개의 최신 모델을 대상으로 한 실험에서 최고 성능 모델조차 전체 정확도 68%에 그쳤다. 정보 활용률, 즉 실제로 요청된 이용 가능한 데이터의 비율은 진단 정확도의 가장 강력한 예측 변수였으나(R = 0.69, P < 0.001), 활용률은 마지막 라운드에서 57%에서 26%로 급감하여 치료 선택에 핵심적인 분자 및 세포유전학적 데이터가 검토되지 않은 채로 남겨졌다. 추론 과정은 임상 추론 평가 기준에서 높은 점수를 받았지만(91%가 기준치 이상), 정확도와의 상관관계가 떨어졌으며, 이는 국소적으로 일관된 근거와 전반적으로 올바른 결론 사이의 괴리를 드러낸다. 오류 분석 결과, 탐색 만족화(search satisficing), 고착(anchoring), 조기 종결(premature closure)이 지배적인 실패 양식으로 확인되었으며, 이는 진단 추론의 이중 과정 모델에서 초보 임상의를 특징짓는 인지 편향과 동일하다. 이러한 결과는 임상 종양학에서 현재 모델의 주요 한계가 불충분한 의학 지식이 아니라 불확실성 하에서의 정보 탐색의 체계적 실패임을 보여준다.

arXiv:2607.10251v1cs.AI

대규모 언어 모델의 위험 민감 의사결정에 나타나는 행동적 특성

Behavioural Signatures of Risk-Sensitive Decision-Making in Large Language Models

대규모 언어 모델(LLM)이 의사결정 지원에 점점 더 많이 활용됨에 따라, 불확실성 하에서 LLM의 선택이 안정적이고 해석 가능한 행동적 규칙성을 나타내는지 이해하는 것이 중요하다. 인간의 의사결정은 비교적 지속적인 위험 선호와 맥락 의존적 조정을 결합하지만, 유사한 행동적 구조가 LLM 기반 의사결정 시스템에서도 관찰될 수 있는지는 아직 불분명하다. 본 연구에서는 노리밋 텍사스 홀덤(no-limit Texas Hold'em)에 기반한 통제된 다중 모델 프레임워크를 사용하여 이 질문을 검토한다. 여기서 행동은 불확실한 기회에 대한 자발적 참여를 측정하는 참여도(Participation)와 프리플랍 위험 상승을 측정하는 능동성(Proactiveness)으로 정량화된다. 동질적인 자기 대전(self-play)과 이질적인 혼합 모델 상호작용 전반에 걸쳐, 최전선 LLM들은 안정적이고 모델별로 구별되는 위험 프로파일을 나타내며, 보수적에서 공격적 의사결정 스타일에 이르는 스펙트럼을 형성한다. 이러한 프로파일은 상대 구성이 변화하는 상황에서도 대체로 견고하게 유지되며, 가장 보수적인 모델과 가장 공격적인 모델은 혼합 환경에서 더욱 diverge한다. 전반적인 위험 압력과 개인 자원 제약 하에서, 모델들은 광범위한 행동 위축에서 선택적 위험 축소 및 거의 불변하는 행동에 이르기까지 구조화되었지만 이질적인 방식으로 적응한다. 이러한 발견은 LLM들이 기준선 위험 성향뿐만 아니라, 반응하는 위험 신호와 조정 유연성에서도 차이를 보임을 시사하며, 상호작용적 환경에서 위험 민감 의사결정을 감사하기 위한 행동적 근거를 제공한다. 코드는 https://github.com/XuankunRong/AgentTexasPoker 에서 공개적으로 이용 가능하다.

arXiv:2607.10226v1cs.AI

희소 특징 개입이 실제로 국소화되는 때는 언제인가? SAE 기반 안전성 제어를 위한 매칭 평가

When Are Sparse Feature Interventions Actually Localized? Matched Evaluation for SAE-Based Safety Control

우리는 희소 오토인코더(SAE) 특징이 안전성 관련 행동에 대한 국소화된 제어 핸들로 작동하는 시점을 평가한다. 이 질문은 표면적 성공이 약한 개입, 불일치한 기준선, 모델 강건성, 또는 자동화된 안전성 판정기가 실질적인 유해 순응을 나타내지 않으면서도 안전하지 않다고 표시하는 퇴화된 출력에서 비롯될 수 있기 때문에 어렵다. 우리는 런타임 안전성 개입을 위한 매칭 일관성 게이팅(coherence-gated) 평가 프로토콜을 도입한다: 방법들은 매칭된 목표 효과 지점에서 비교되며, 주요 목표 지표는 출력이 판정기 기준 안전하지 않으면서 동시에 일관성이 있을 때만 유해 순응으로 계산한다. 이 프로토콜을 Gemma Scope 20번째 층 잔차 SAE를 사용하여 Gemma-2-9B-it의 세 가지 프롬프트 분할에 적용한 결과, SAE 특징 절제(ablation)는 좁은 유용 영역을 가짐을 발견한다. SAE top800은 낮은 전체 섭동(perturbation)과 경쟁력 있는 유용성으로 낮은~중간 수준의 목표 효과에 도달하지만, SAE top1600은 매칭된 밀집 거부 방향 기준선 대비 유용성을 상실하며, SAE top3200은 주로 일관성 붕괴를 유발한다. 인간 감사는 일관성 게이팅이 안전하지 않음만을 나타내는 아티팩트를 제거함을 확인하며, 특징 진단은 유용 영역이 순위에 따라 활성화 분리가 급속히 감소하는 거부 정렬 특징들의 안정적인 선두에 의해 구동됨을 보여준다. 이러한 결과는 SAE 기반 안전성 개입이 균일하게 국소화된 것으로 가정하기보다는 영역 의존적 제어 메커니즘으로 평가되어야 함을 시사한다.

arXiv:2607.10183v1cs.DC

소비자 기기에서의 하이브리드 CPU-GPU 대규모 언어 모델 추론을 위한 자동화 텐서 스케줄링

Automated Tensor Scheduling for Hybrid CPU-GPU LLM Inference on Consumer Devices

노트북이나 데스크톱과 같은 소비자 기기에서 대규모 언어 모델(LLM)을 실행하는 것은 모델 가중치가 GPU 메모리 용량을 초과하는 경우가 많아 CPU 메모리로 유효 모델 용량을 확장하기 위한 오프로딩 추론이 필요하다는 점에서 어려움이 있다. 그러나 기존 오프로딩 시스템은 대개 거친 층 수준 또는 전문가 수준의 스케줄링에 의존하여, 같은 층 내 텐서 간의 상당한 이질성을 간과하고 해당 기기의 변화하는 하드웨어 부하 조건에 적응하지 못한다. 본 논문은 텐서 세분성 수준에서 오프로딩을 수행하는 소비자 기기용 하이브리드 CPU-GPU 추론 시스템인 ATSInfer를 제안한다. ATSInfer는 정적 텐서 배치와 부하 인식 동적 전송을 결합하고, 비동기 CPU-GPU 협조 방식을 도입하여 이기종 백엔드 전반에 걸쳐 하드웨어 스토리지, 데이터 이동, 연산을 효율적으로 스케줄링한다. 우리는 ATSInfer를 구현하고 밀집 모델과 전문가 혼합(MoE) 모델 모두를 사용하여 대표적인 소비자 플랫폼에서 평가하였다. 기존 시스템 대비 ATSInfer는 프리필(prefill) 처리량을 최대 1.94배, 디코드(decode) 처리량을 최대 3.29배 향상시키는 동시에 GPU 활용률을 높이고 PCIe 대역폭을 더욱 효과적으로 사용한다. 이러한 결과는 ATSInfer가 개인 소비자 기기에서의 로컬 LLM 배포 사용자 경험을 크게 개선할 수 있음을 보여준다.

arXiv:2607.10159v1cs.AI

UNIT: 그래프 연속 학습을 위한 대규모 언어 모델의 잠재력 발휘

UNIT: Unleash Large Language Models Potential for Graph Continual Learning

실세계 멀티모달 웹 시나리오에서 그래프 구조 데이터는 스트리밍 방식으로 도착하는 경우가 많아, 그래프 연속 학습(graph continual learning)은 이러한 진화하는 구조를 지속적으로 모델링하기 위한 중요한 패러다임이다. 그러나 기존의 그래프 연속 학습 방법은 두 가지 근본적인 과제에 직면해 있다. 1) 의미-구조 분리(semantic-structural separation): 그래프 기반 방법은 위상적 관계 모델링에 뛰어나지만 심층 의미론을 소홀히 한다. 2) 불균형한 지식 전이(imbalanced knowledge transfer): 기존 모델은 초기 태스크에서 획득한 일반 지식을 이후 새로운 태스크에 효과적으로 활용하지 못한다. 이러한 문제를 해결하기 위해, 우리는 그래프 연속 학습을 위한 대규모 언어 모델의 잠재력 발휘 프레임워크인 UNIT을 제안한다. 첫 번째 태스크에서만 대규모 언어 모델(LLM)을 미세조정함으로써, 사전학습된 LLM 코퍼스와 대상 태스크 데이터셋 간의 분포 격차를 해소하여 그래프 구조 태스크에 대한 LLM의 적응성을 향상시킨다. 또한, 태스크 전반에 걸쳐 대표적인 지식을 효과적으로 보존하고 이전 태스크에서 학습한 보편적 지식이 간과되는 것을 방지하기 위해 불확실성 인식 앵커 생성 메커니즘(uncertain-aware anchor generation mechanism)을 제안한다. 더불어, 의미 정보에 그래프 위상 정보를 명시적으로 통합하여 의미 이해와 구조 모델링 간의 협업 능력을 강화하는 구조적 융합 모델링(structural confluence modeling)을 도입한다. 광범위한 실험을 통해 제안하는 방법이 그래프 연속 학습 태스크에서 최첨단(state-of-the-art) 성능을 달성함을 입증한다.

arXiv:2607.10123v1cs.SE

GitHub MCP 구현체의 대규모 데이터셋

A Large-Scale Dataset of MCP Implementations on GitHub

모델 컨텍스트 프로토콜(MCP, Model Context Protocol)의 급속한 등장은 대규모 언어 모델(LLM)을 외부 도구 및 서비스에 연결하는 새로운 표준을 제시했다. 오픈소스 개발 생태계에서의 빠른 채택에도 불구하고, MCP가 어떻게 구현되고 구조화되며 유지 관리되는지에 대한 체계적인 이해는 여전히 부족하다. 본 연구는 GitHub에서 직접 수집한 실제 MCP 구현체를 대상으로 한 최초의 대규모 실증 기반 데이터셋을 제시한다. GitHub REST API와 GraphQL API를 커스텀 Python 검증 스크립트와 결합한 하이브리드 파이프라인을 활용하여, 3,238개의 후보 저장소를 발굴하고 다단계 증거 검사를 통해 필터링 및 검증하였다. 검증된 각 프로젝트는 운영 역할(예: 클라이언트, 서버, 게이트웨이)에 따라 분류되고 재현 가능한 JSONL 스키마로 내보냈다. 대표 부분 집합에 대한 수동 검토 결과, 95% 신뢰 수준에서 전체 정밀도(precision) 83%가 확인되었으며, 주로 교육용 샘플, 튜토리얼, 또는 데모 템플릿으로 기능하는 저장소 집합이 추가로 식별되었다. 이후 이러한 비운영 저장소를 제거하는 특정 제외 규칙을 적용하여, 최종적으로 2,297개의 검증된 MCP 프로젝트로 구성된 데이터셋을 구축하였다. 분석 결과, Python과 TypeScript가 MCP 개발을 주도하고 있으며 하이브리드 아키텍처가 가장 일반적인 설계 패턴으로 부상하고 있음이 확인되었다. 투명한 검증 전략, 구조화된 증거 태깅, 재현 가능한 데이터 구성을 강조함으로써, 본 연구는 실제 MCP 생태계 연구를 위한 기초 벤치마크를 수립하고, 더 넓은 개발자 커뮤니티에서의 통합, 연결성 및 호환성에 관한 향후 연구를 지원한다.

arXiv:2607.10113v1cs.AI

동적 에이전트 스킬: 진화하는 스킬 라이브러리의 생명주기 서베이 및 분류 체계

Dynamic Agent Skills: A Lifecycle Survey and Taxonomy of Evolving Skill Libraries

대규모 언어 모델(LLM) 에이전트는 재사용 가능한 절차를 모델 외부에 저장하는 경향이 점점 증가하고 있다. 이러한 재사용 가능한 절차는 흔히 스킬(skill)이라 불리며, 코드 함수, 자연어 명령, SKILL.md 패키지, 워크플로우 그래프, 또는 미래의 에이전트가 검색하고 호출할 수 있는 학습된 어댑터 형태일 수 있다. 이 분류 체계 기반 서베이는 이러한 스킬 라이브러리가 시간에 따라 어떻게 변화하는지를 탐구한다. 2023년부터 2026년까지의 124편 논문 감사 집합을 대상으로, 우리는 동적 스킬 시스템을 생명주기 관리, 검증, 진화하는 아티팩트 저장소로 종합한다: 에이전트는 상호작용에서 증거를 수집하고, 스킬 업데이트를 제안하며, 후보를 검증 및 수용하고, 검색과 합성을 위해 정리하며, 오래된 항목을 수리하거나 제거하고, 출처 추적과 롤백을 통해 공유를 관리한다. 우리는 문헌을 세 가지 서베이 도구를 중심으로 구성한다. 첫째, 6가지 유형 분류 체계는 현재 논문에서 '스킬'이라 불리는 구조적으로 상이한 아티팩트들을 구분한다. 둘째, 8단계 생명주기 아키텍처는 증거 획득, 제안, 검증/수용, 저장, 검색/합성, 유지보수, 증류/이식성, 그리고 거버넌스에 관한 반복적인 설계 결정을 식별한다. 셋째, 경량 스킬 레코드 스키마와 10가지 연산자 어휘는 라이브러리 업데이트를 별도의 방법론적 기여로 격상시키지 않고 비교하기 위한 공통 용어를 제공한다. 이 구조를 활용하여, 우리는 명시적 주의사항과 함께 증거 기반 패턴을 종합한다: 수용과 수리는 반복적으로 중요하며, 검증기 품질은 스킬 인식 강화학습(RL)에 실질적인 영향을 미치고, 단층 검색은 라이브러리가 커질수록 성능이 저하될 수 있으며, 현재 벤치마크는 여전히 라이브러리 궤적, 사용-효용 격차, 그리고 안전성 표면을 과소 보고하고 있다. 마지막으로, 동적 스킬을 정적 프롬프트나 도구 모음이 아닌 변화하는 라이브러리로 평가하기 위한 구체적인 보고 기준과 미해결 문제를 제시한다.

arXiv:2607.10112v1cs.CR

Minionese: 다국어 LLM 안전성에 대한 종합 벤치마크 및 메커니즘 연구

Minionese: Comprehensive Benchmark and Mechanistic Study of Multilingual LLM Safety

대규모 언어 모델(LLM)의 안전성 정렬(safety alignment)은 언어 간에 여전히 취약하다: 영어에서는 안정적으로 거부되는 프롬프트가 비영어권 및 저자원(low-resource) 환경에서는 유해한 응답을 유도할 수 있다. 우리는 18개 언어, 4개 자원 계층(resource tier), 4가지 변형 유형(표준 번역, 코드 스위칭(code-switching), 음역(transliteration), 번역체(translationese))에 걸친 다국어 탈옥(jailbreak) 벤치마크 \textsc{Minionese}를 소개하며, 이를 언어 계층별 거부 실패에 대한 기하학적 메커니즘 분석과 함께 제시한다. 각 공격 유형이 서로 다른 취약성 프로파일을 생성함을 보인다: 음역 취약성은 스크립트 동일성에 의해 매개되고, 코드 스위칭은 가장 낮은 자원 계층까지 효과를 유지하며, Tier 2와 Tier 3 사이의 안전성 체제 급격한 전환은 모든 모델에 걸쳐 일관되게 나타난다. 메커니즘적으로, 저자원 탈옥은 유해한 콘텐츠를 거부 방향(refusal directions)으로의 투영이 불충분한 기하학적으로 정렬 불일치된 부분 공간(subspace)으로 라우팅함으로써 성공하며, 거부 메커니즘 자체는 온전하지만 트리거되지 않은 상태로 남긴다. 이러한 발견은 영어 전용 안전성 평가가 불충분함을 보여주며, 스크립트 계열, 변형 유형, 언어별 정렬 커버리지를 반드시 고려해야 함을 시사한다. 벤치마크 및 분석 코드는 https://github.com/Brentkong/Minionese-Comprehensive-Benchmark-and-Mechanistic-Study-of-Multilingual-LLM-Safety.git 에서 확인할 수 있다.

arXiv:2607.09996v1cs.AI

Who&When Pro: 대규모 언어 모델은 AI 에이전트의 실패를 실제로 귀인할 수 있는가?

Who&When Pro: Can LLMs Really Attribute Failures in AI Agents?

자동화된 실패 귀인(failure attribution)은 대규모 언어 모델(LLM)을 활용하여 에이전트 시스템이 어디서, 왜 실패하는지를 파악합니다. 에이전트의 능력이 향상될수록 그 실패 양상은 더욱 미묘해지며, 이로 인해 자동화된 귀인의 중요성이 점점 커지고 있습니다. 우리는 에이전트 시스템에서의 자동화된 실패 귀인을 위한 대규모 벤치마크인 Who&When Pro를 소개합니다. 성공적인 접두 문맥을 정확히 재현한 후에만 실패를 주입하는 엄격하게 통제된 파이프라인을 사용하여, 다양한 시나리오를 아우르는 3개의 모달리티와 26개의 벤치마크에 걸쳐 정답 레이블이 붙은 12,326개의 실패 궤적을 구축합니다. 벤치마킹을 넘어, 우리는 광범위한 실험과 분석을 수행하여 모달리티, 프로토콜, 모델 패밀리 전반에 걸쳐 모델이 실패를 귀인하는 방식의 체계적인 패턴을 밝히고, 향후 자동화된 실패 귀인 시스템을 위한 실증적 지침을 제공합니다.

arXiv:2607.09988v1cs.IR

커넥티드 TV 콘텐츠 탐색을 위한 LLM 기반 에이전틱 추천 시스템

An LLM-powered Agentic Recommendation System for Connected TV Content Discovery

추천 시스템은 전통적인 다단계 방식부터 최근의 통합 생성형 아키텍처에 이르기까지, 트렌딩 토픽, 속보, 문화 행사, 크로스 서피스 사용자 활동 등 다양한 맥락적 신호를 랭킹 파이프라인에 통합하는 데 어려움을 겪고 있다. 이러한 시스템은 일관된 스키마를 가진 구조화된 행동 신호를 소비하도록 설계되어 있으며, 비정형이거나 이기종 형식의 맥락 정보를 자연스럽게 처리하는 추론 능력이 부족하다. 이러한 신호를 통합하려면 일반적으로 특징(feature) 엔지니어링, 맞춤형 데이터 파이프라인, 신중하게 조정된 휴리스틱이 필요하다. 본 논문에서는 이러한 한계를 해결하기 위해 커넥티드 TV(CTV) 콘텐츠 탐색을 위한 LLM 기반 에이전틱 추천 시스템을 제안한다. 본 시스템은 대규모 언어 모델(LLM)의 추론 능력을 활용하여 다양한 스키마와 구조에 걸친 다양한 신호를 자연스럽게 처리하고 합성함으로써, 전통적인 랭킹 및 검색 시스템에 내재된 수동 통합 작업을 상당 부분 제거한다. 현재 LLM 기반 솔루션이 검색 효율성, 개인화 정밀도(precision), 확장성을 포함한 여러 추천 태스크에서 여전히 전통적인 머신러닝 모델에 미치지 못함을 인식하여, 각 서브태스크를 LLM 기반이든 전통적 ML이든 가장 적합한 방법으로 처리할 수 있도록 특화된 컴포넌트를 조율하는 에이전틱 아키텍처를 채택하였다. 본 연구의 주요 기여는 추천을 위한 LLM 활성화의 실질적 한계, 특히 추론(inference) 지연 문제를 성공적으로 극복한 엔지니어링 접근 방식이다. 본 연구에서 얻은 인사이트를 공유하고, LLM의 유연성과 기존 추천 기법의 성능을 결합한 하이브리드 시스템 구축 과정에서의 트레이드오프와 교훈을 논의한다.

arXiv:2607.09839v1cs.AI

고품질 수학 시각 자료 생성을 위한 에이전틱 워크플로우 탐구

Exploring Agentic Workflows for Generating High Quality Math Visual Aids

수학 다이어그램은 K-12 교육에서 문제 구성 요소이자 학생 이해를 위한 스캐폴딩으로서 중요한 역할을 합니다. 그러나 대규모 언어 모델(LLM)을 포함한 현재 AI 도구들은 상세한 설명이 제공되더라도 정확하고 교육적으로 적합한 시각적 다이어그램을 안정적으로 생성하는 데 어려움을 겪고 있습니다. 따라서 중학교 수학을 위한 다이어그램의 안정적인 생성에는 여전히 상당한 격차가 존재합니다. 이를 해결하기 위해, 우리는 LLM 에이전트가 생성된 시각 자료의 품질을 평가하고 이 피드백을 활용하여 출력을 반복적으로 개선할 수 있도록 하는 에이전틱 워크플로우를 제안합니다. 이 자기 개선 루프는 AI가 생성한 다이어그램의 정확성과 교육적 적합성을 향상시키는 것을 목표로 합니다. 우리의 연구는 두 가지 질문을 탐구합니다. 첫째, 시각적 품질에 대한 특정 기준이 주어졌을 때 LLM이 시각 자료에 대한 품질 보증 질문을 정확하게 생성할 수 있는가? 둘째, 유효한 품질 보증 질문이 주어졌을 때, 비전-언어 모델(Vision Language Model)이 생성된 K-12 시각 자료를 효과적으로 평가하고 그 결과 피드백을 활용하여 반복적으로 개선할 수 있는가? 우리는 에이전틱 워크플로우에 대한 탐색적 평가를 수행하고, 더 강력한 공간 추론 능력과 생성된 품질 보증 질문에서 다이어그램 특징에 대한 더 포괄적인 커버리지를 포함한 주요 개선 영역을 식별합니다. 우리의 결과는 이 접근법이 AI가 생성한 수학 다이어그램의 신뢰성과 교육적 가치를 향상시킬 수 있다는 예비적 증거를 제공합니다.

arXiv:2607.09804v1cs.CR

Trivial Prompt Reframing Bypasses Safety Guardrails in Googleś MedGemma-4B

Open-weight medical language models are increasingly used as the base of patient-facing and clinician-support applications. Their model cards prohibit specific behaviors -- recommending exact drug dosages, issuing definitive diagnoses, prescribing treatments, adjudicating drug-drug interactions, and advising that emergency care can be skipped -- yet a model card describes intended behavior, not robust behavior. We quantify that gap for MedGemma-4B-it under attacks that require no technical sophistication. We build a fully factorial benchmark of 5 guarded-behavior concepts x 50 deterministically templated questions x 6 lay-accessible attack manners x 3 repetitions (4,500 generations), serve the model locally through Ollama under default sampling, and code every response refuse/hedge/comply with three independent judges (an LLM judge, a transparent regex judge, and an NLI-entailment judge). Under the primary LLM judge the overall Attack Success Rate (ASR, the fraction coded comply) is 38.0%. The two framings that reinterpret the request as legitimate dominate: recasting a question as a "medical board exam" item raises ASR from a 29.0% baseline to 53.1% (+24.0 points), and an appeal to an alleged doctor's authority raises it to 43.7% (+14.7); crude instruction-override prefixes have no significant effect. Robustness is dominated by topic: the drug-interaction guardrail is nearly absent (83.2% ASR) while the emergency-deferral guardrail is strong (4.7%) -- and the authority framing is the only attack that breaches it. We report Wilson confidence intervals, cluster-bootstrap effect sizes, a cluster-robust logistic regression, Cochran's Q, per-manner McNemar tests, and inter-judge reliability (Fleiss' kappa = 0.26); absolute ASR is judge-dependent while the ordering of attacks and topics is not. Our findings motivate stronger deployment-time guardrails for open medical models.

arXiv:2607.09795v1cs.IT

대규모 멀티모달 모델 기반 환경 인식 이동성 관리

Large Multimodal Model-Based Environment-Aware Mobility Management

최근, 대규모 언어 모델(LLM)은 탁월한 적응력과 추론 능력 덕분에 무선 통신, 로보틱스, 자율주행 차량을 포함한 다양한 분야에서 성공적으로 활용되고 있다. 이러한 큰 잠재력에도 불구하고, 이동성 관리에 LLM을 적용하는 연구는 상대적으로 드문데, 이는 무선 측정값 분석뿐만 아니라 동적 사용자 궤적 예측 및 조밀하게 배치된 소형 기지국(SBS) 간 실시간 핸드오버 결정이 요구되기 때문이다. 본 논문에서는 LLM의 기능을 멀티모달 센싱 데이터 처리로 확장한 대규모 멀티모달 모델(LMM)을 기반으로 하는 환경 인식 이동성 관리 기법을 제안한다. LMM을 활용하여, 제안된 기법은 RGB-D 이미지로부터 주변 환경에 대한 맥락 정보를 추출함으로써 사용자 장치(UE)의 이동 패턴을 파악하고, 정적 반사체 및 동적 장애물로 인한 신호 반사 및 차단을 식별한다. 추출된 환경 정보를 바탕으로, 제안된 기법은 UE 및 SBS 위치로부터 채널 용량으로의 내재적 매핑을 학습하며, 이를 채널 용량 맵(CCM)이라 하고, 이로부터 UE 궤적을 따른 미래 채널 용량을 예측한다. 예측된 채널 용량에 기반하여 누적 채널 용량을 최대화하는 선제적 핸드오버 결정을 수행한다. 시뮬레이션 결과는 제안된 기법이 기존의 심층 학습(DL) 기반 접근법 대비 상당한 채널 용량 향상을 달성함을 보여준다.

arXiv:2607.09794v1cs.AI

자기 발견적 명세를 활용한 에이전틱 문맥 학습

Agentic Context Learning with Self-Discovered Specification

문맥 학습(Context learning)은 대규모 언어 모델(LLM)이 사전학습에 부재한 복잡한 문맥으로부터 새로운 태스크 특화 지식을 학습하고 적용해야 하는 새롭게 부상하는 추론 시 태스크로, 프론티어 모델조차 태스크 성공률이 24% 미만이다. 본 연구에서는 이 설정이 여전히 어려운 이유를 이해하기 위해 포괄적인 실증 연구를 수행한다. 자연스러운 가설은 실패가 내용 접근 문제에서 비롯된다는 것이지만, 광범위한 문맥 학습 벤치마크인 CL-Bench에서 12가지 검색·반성·검증 기준선에 걸쳐 직접적인 전체 문맥 프롬프팅 대비 제한적인 성능 향상만이 관찰되었다. 추가적인 실패 분석은 핵심 발견을 드러낸다: 긴 문서 이해와 같은 일반적인 긴 컨텍스트 태스크와 달리, 문맥 학습은 로컬 내용의 복구뿐만 아니라 쿼리에 종종 명시되지 않고 문맥 전체에 분산되어 있는 로컬 명세—도메인 특화 형식, 로컬 규칙, 완전성 조건—의 습득도 요구한다. 31,592개의 루브릭 항목 전체에 걸쳐, 55.4%가 명세 습득을 명확히 평가하는 반면 내용 습득을 평가하는 항목은 22.6%에 불과했다. 또한, 명세의 76.7%가 사용자 쿼리에 명시되지 않음에도 불구하고 95.5%는 문맥에서 추적 가능하며, 이는 해당 명세들이 숨겨진 요구사항이 아닌 학습 가능한 의무임을 나타낸다. 이 진단을 검증하기 위해, 로컬 명세를 추출하고 적대적 검사 및 수정을 통해 이를 적용하는 의도적으로 단순한 개입 방법인 PSCI(private specification-contract induction)를 설계한다. PSCI는 CL-Bench에서 GPT-5.1로 최고 성능인 28.14%를 달성하며(절대값 +5.59 pp, 상대값 +24.8%), Qwen3.5-27B(+5.28 pp)와 Gemini 3 Pro(+6.17 pp)에서도 재현된다. 17가지 ablation 실험이 태스크 특화 명세의 역할을 추가로 분리한다. 전반적으로, 본 연구의 결과는 문맥 학습이 내용 습득뿐만 아니라 명세 습득에도 달려 있음을 시사한다.