APIVOT은 장기 지평 로봇 계획에서 의미적 추론을 위한 언어와 기하학적 실현 가능성 검증을 위한 시각적 사고(visual thought)를 적응적으로 교차 활용하는 비전-언어 모델(VLM) 기반 플래너다. 주방 작업 벤치마크에서 범용 VLM 및 기존 계획 프레임워크를 능가하며, 특히 공간적 제약이 있는 환경에서 최대 17포인트의 성능 향상을 달성하는 동시에 불필요한 시각적 추론을 줄여 토큰 사용량을 39% 감소시켰다.
씬 그래프 씽킹(SaGe)은 평면적 이미지-텍스트 쌍을 계층적 씬 그래프로 변환하는 자동화 데이터 엔진을 통해 120K개의 구조적 학습 데이터를 구축하고, 지도 파인튜닝과 노드-프록시(node-as-proxy) 그래프 보상 기반 강화 파인튜닝의 2단계 사후학습으로 멀티모달 대규모 언어 모델(MLLM)에 세밀하고 관계 인식적인 시각 추론 능력을 내재화하는 패러다임이다. 8개의 멀티모달 벤치마크에서 세밀한 인식 및 추론 태스크에 걸쳐 일관된 성능 향상을 달성하며, 개별 객체 중심의 기존 접근법이 간과하던 구조적 장면 관계를 명시적으로 모델링하는 데 강력한 효과를 입증한다.
video-SALMONN-R³는 계산·메모리 제약으로 낮은 프레임 레이트와 해상도를 사용하는 비디오-LLM의 한계를 극복하기 위해, 사고의 연쇄(CoT) 콜드 스타트 없이 강화학습만으로 재시청(re-watch) 능력을 습득하는 최초의 엔드-투-엔드 비디오-LLM을 제안한다. 1차 시청에서 초기 답변과 시간 구간을 예측한 뒤, 재질문(re-ask) 메커니즘과 재답변(re-answer) 전략을 통해 고해상도로 해당 구간을 재시청하여 6개 벤치마크에서 기존 재시청 기반 방법보다 낮은 계산 비용으로 최고 성능을 달성했다.
비전-언어 모델(VLM)의 추론 효율화를 위해 특이값 분해(SVD)를 기반으로 비전 토큰의 전역적 스펙트럼 구조를 분석하고 레버리지 점수(leverage score)로 중요 토큰을 선별하는 학습 불필요(training-free) 플러그 앤 플레이 방법인 SVD-Prune을 제안한다. 어텐션 점수 기반의 기존 방법들이 위치 편향과 정보 분산 문제로 극단적인 가지치기 상황에서 성능이 저하되는 것과 달리, SVD-Prune은 POPE, GQA, TextVQA, MME 벤치마크에서 16~32개의 비전 토큰만으로도 기존 방법 대비 일관되게 우수한 성능을 유지함을 실험으로 입증했다.
비전-언어 모델(VLM) 기반 이미지 품질 평가(IQA)에서 시각적 근거 없이 텍스트만으로 추론할 때 발생하는 신뢰성 문제를 해결하기 위해, Zoom-IQA는 핵심 영역을 "확대(zoom-in)"하며 반복적으로 평가를 정제하는 두 단계 학습 파이프라인(GR-IQA 데이터셋 기반 SFT + KL-Coverage 정규화를 적용한 강화학습)을 제안한다. 광범위한 실험에서 강건성, 설명 가능성, 일반화 성능이 향상되었으며, 이미지 복원 등 다운스트림 태스크에서도 효과가 입증되었다.
StreamVLN은 연속적인 비디오 스트림을 처리해야 하는 실세계 비전-언어 내비게이션(VLN)의 효율성 문제를 해결하기 위해, 빠른 슬라이딩 윈도우 대화 컨텍스트와 복셀 기반 3D 공간 가지치기를 활용한 느린 메모리 컨텍스트를 결합한 슬로우-패스트 하이브리드 프레임워크를 제안한다. VLN-CE 벤치마크에서 KV 캐시 재사용을 통해 낮은 추론 지연 시간을 유지하면서 최고 수준의 성능을 달성하였다.
단일 이미지에서 물리적으로 일관된 3D 동적 콘텐츠를 생성하기 위해, PhyMAGIC은 사전학습된 이미지-투-비디오 모델로 다양한 motion probe를 합성하고 비전-언어 모델(VLM)의 신뢰도 점수 기반 반복 정제를 통해 밀도·탄성·항복 응력 등 물리 속성을 추론한 뒤, 미분 가능한 Material Point Method(MPM) 시뮬레이터에서 실행하는 학습 불필요(training-free) 프레임워크다. PhysGaussian, PhysGen 등 다양한 실험에서 기존 최신 비디오 생성 모델 및 물리 인식 기반 모델 대비 동작-텍스트 정렬과 물리적 타당성 모두에서 우수한 성능을 달성했다.
비전-언어 모델(VLM) 개인화 시 긍정·부정 샘플 부족 문제를 해결하기 위해, 개념을 트리 구조로 표현하여 난이도와 다양성이 제어된 합성 데이터를 생성하는 Concept-as-Tree(CaT) 프레임워크를 제안한다. 트리 편집 연산으로 긍정·부정 샘플을 생성하고 Perturbation-based Concept-Specific(PCS) 점수 기반 필터링으로 품질을 보장하며, MyVLM·Yo'LLaVA·MC-LLaVA 벤치마크에서 모든 파인튜닝 기반 방법의 개인화 성능을 유의미하게 향상시켰다.
Qwen2.5-32B 로컬 대규모 언어 모델(LLM)을 활용해 TripAdvisor 호텔 리뷰에서 수치 감성 데이터를 추출하고, 이를 경사 하강법 기반의 데이터 주도 퍼지 인지 맵(FCM)으로 학습하는 파이프라인을 구현하였다. 그리스어 리뷰 1,505건을 대상으로 한 실험에서 FCM이 R² = 0.795를 달성하며 선형 회귀 기준선(0.669)을 상회하고, 외부 검증을 통해 리뷰 별점과 예측 만족도 간의 유의미한 상관관계를 확인하였다.
로짓 기반 LLM 워터마킹에서 검출력과 의미적 왜곡 간의 트레이드오프를 정량화하는 검출력 보정(power-calibrated) 통계 프레임워크를 제안하며, 워터마크 하이퍼파라미터(γ, δ)와 검출력·KL 발산 사이의 명시적 관계를 도출한다. 이를 통해 휴리스틱 튜닝에 의존하던 파라미터 선택을 최적화 문제로 전환하고, 다수의 언어 모델과 데이터셋 실험에서 제안 프레임워크가 파레토 최적점(Pareto-optimal points)을 일관되게 식별함을 검증한다.
RSF-GLLM은 지식 그래프 기반 멀티홉 질의응답에서 중간 노드와 쿼리 간 어휘적 중복이 없는 의미론적 간극 문제를 해결하기 위해, GRU 기반 쿼리 업데이터와 동적 게이팅 메커니즘을 활용한 순환 소프트-플로우(RSF) 모듈로 미분 가능한 그래프 추론을 수행하고 추출된 경로로 LLM을 파인튜닝하는 분리형 프레임워크다. WebQSP와 CWQ 벤치마크 실험에서 기존 LLM 기반 에이전트 방식 대비 월등히 향상된 추론 효율성으로 경쟁력 있는 성능을 달성했다.
DynaKRAG는 다중 홉 RAG에서 반복 검색, 질의 재구성, 브리지 엔티티 확장, 충분성 판단 등 이질적인 증거 연산을 통합된 상태 조건부 프레임워크로 정식화하며, 유효성 레이어가 실행 가능한 액션 집합을 구성하고 학습된 컨트롤러가 최적 연산을 선택한다. Qwen2.5-7B-Instruct 기반으로 HotpotQA, 2WikiMultiHopQA, MuSiQue 세 벤치마크에서 모든 기준선을 능가하며, 학습된 컨트롤러 제거 시 F1이 최대 5.78 포인트 하락해 상태 조건부 제어 정책 학습의 효과를 입증한다.
Pitwall은 Formula 1 레이스 전략 브리핑을 3개 언어로 실시간 생성하는 시스템으로, 126개 레이스로 보정된 벡터화 몬테카를로 엔진의 확률적 레이스 상태에 대해 모든 문장의 사실적 주장을 검증하고 미세조정 데이터도 동일한 검증기로 필터링함으로써 충실성(faithfulness)을 아키텍처적 속성으로 구현했다. 2026년 오스트리아·영국 그랑프리 라이브 배포에서 종단간 동작이 확인됐으며, 희소 컨텍스트에서의 환각은 모델 스케일이 아닌 기본 모델의 인스트럭션 준수 능력에 기인함을 4개 기반 모델 복제 실험으로 규명했다.
실세계 데이터 분석 환경을 반영하지 못하는 기존 벤치마크의 한계를 극복하기 위해, 정부 공개 데이터 기반의 DataGovBench를 제안하며 대규모 다중 테이블 환경에서의 Table QA와 탐색적 분석 기반의 Table Insight 두 가지 태스크를 포함한다. 최신 대규모 언어 모델(LLM)을 에이전틱 프레임워크와 함께 평가한 결과, 두 태스크 모두에서 상당한 성능 격차가 드러나 현재 LLM 기반 시스템이 실제 데이터 분석 수요를 충족하기에는 여전히 미흡함을 보여준다.
LLM 기반 TTS의 암묵적 생성 패러다임으로 인한 단어 수준 음향 제어의 한계를 극복하기 위해, WordVoice-5A(4,700시간 이중 언어 5차원 단어 수준 주석 데이터셋)를 구축하고 bound-token 기반 "음향 계획(acoustic planning)" 메커니즘과 세밀한 음향 변조 모듈을 결합한 WordVoice 프레임워크를 제안한다. 광범위한 실험을 통해 WordVoice가 제로샷 합성 안정성을 유지하면서 지속 시간, 경계, 에너지, 피치, 성조 등 다차원 음향 속성에 대한 정밀하고 분리된 단어 수준 제어를 달성함을 입증한다.
BioASQ 14b Task B를 위해 질문 유형(yes/no, 사실형, 목록형)별로 서로 다른 추론 전략을 적용하는 LLM 프레임워크를 제안한다. yes/no 질문에는 스니펫 셔플링과 자기 반성(self-reflection), 사실형 질문에는 사고의 연쇄(CoT) 기반 문맥 내 학습(ICL), 목록형 질문에는 다중 에이전트 협업 아키텍처를 각각 적용하여 공식 평가 Batch 4 사실형 서브태스크에서 1위를 달성하였다.
Snowflake 플랫폼에서 SQL 내 LLM 기능 호출(AI 네이티브 SQL)을 평가하는 새로운 벤치마크 Spider 2.0-AIFunc를 제안하며, 125개 실제 데이터베이스에 걸친 465개 인스턴스를 에이전트 기반 파이프라인으로 구축하였다. 최상위 독점 모델이 67~70%의 실행 정확도를 기록한 반면, 전통적 text-to-SQL용 에이전트 프레임워크는 AI 네이티브 SQL 환경에서 최소 설정 대비 유의미한 이점을 보이지 못했다.
Current AI safety evaluation and benchmarking frameworks predominantly rely on Western-centric culture-agnostic defaults that mask critical regional laws, socio-linguistic nuances, and cultural taboos, leaving Vision-Language Models (VLMs) vulnerable in global deployments. We introduce Pluralis v0.1: a novel multimodal, multi-regional, and multilingual dataset built from a culture-first perspective. Spanning 6,448 prompts across six Asia-Pacific countries (Bangladesh, India, Korea, Pakistan, Singapore, Taiwan) and eight languages, Pluralis diverges from prior work by natively sourcing localized safety hazards rather than adapting Western datasets. Crucially, it introduces a multimodal evaluation paradigm: user text (e.g., "Should I gift this?") and an image referring to "this" (e.g., a clock) - both innocuous in isolation, but synergistically triggering specific legal or cultural violations. Pluralis disentangles universal safety violations from localized cultural appropriateness, establishing the latter as a first-class evaluation axis. To operationalize this, we present Judge-Pluralis, an agreement-gated LLM-as-a-Judge ensemble trained on examples classified in an empirically derived cultural taxonomy. Observing VLM behavior on a subset of the Pluralis surfaces recurring, locale-specific failure modes such as image misidentifications with downstream harm, missed item-context-locale interactions, and inadequate refusals. These failure modes vary systematically across locales and languages, exposing blind spots that globally averaged metrics conceal. Ultimately, Pluralis is not presented as a solved evaluation framework for cultural alignment, but rather as a first step and catalyst for future innovation. We call upon the research community to utilize this foundation to advance the science of multilingual, multicultural evaluation to better support AI cultural alignment globally.
자연어 설명으로부터 BPMN 프로세스 모델을 생성하는 LLM의 품질을 높이기 위해, Group Sequence Policy Optimization(GSPO)을 활용한 강화학습(RL) 기반 보상 함수 설계를 체계적으로 분석한 연구로, Llama 3.1 8B와 Qwen 2.5 14B를 48가지 구성으로 학습한 결과, 균등 보상 가중치가 특정 차원 강조 방식보다 일관되게 우수하며 RL이 출력 변동성을 6배 이상 감소시킴을 보였다. 보상 구성 방식이 RL 적용 여부만큼이나 최적화 결과에 큰 영향을 미치며, 유효하지 않은 출력에 대한 페널티와 SFT 초기화의 효과가 모델 아키텍처에 따라 비자명한 방식으로 달라짐을 실증하였다.
LongCrafter는 장문 컨텍스트 SFT 데이터 합성의 세 가지 한계(좁은 태스크 커버리지, 낮은 난이도, 충실성 감독 부재)를 해결하기 위해 32개의 세분화된 태스크 분류 체계와 증거 그래프 기반 파이프라인을 결합한 구조화된 프레임워크를 제안한다. LongCrafter로 학습된 모델은 Qwen2.5-7B와 LLaMA-3.1-8B 기준으로 LongBench, LongBench v2, LooGLE에서 모든 SFT 기준선 및 공식 사후학습 모델을 능가하며, 위치에 무관한 강건한 증거 탐색으로 "중간 부분 손실" 문제를 효과적으로 완화한다.