과학 발표는 연구 논문의 단순한 요약 그 이상입니다. 발표는 연구 내용을 일관된 순서로 제시하고, 핵심 아이디어를 명확히 설명하며, 청중이 발표를 쉽게 따라갈 수 있도록 도와야 합니다. 본 논문에서는 연구 논문으로부터 과학 발표 자료를 생성하는 학습(training) 불필요 멀티 에이전트(multi-agent) 프레임워크인 SlideLab을 제안합니다. SlideLab은 먼저 발표의 내러티브를 기획한 후, 콘텐츠 기획, 시각 자료 생성, 레이아웃 개선, 그라운딩(grounding) 검증을 담당하는 에이전트들을 활용하여 공유 슬라이드 덱을 구축하고 반복적으로 개선합니다. 블라인드 인간 선호도 평가에서 SlideLab은 가장 강력한 오픈소스 기준선(baseline) 대비 약 4배 적은 추론(inference) 토큰을 사용하면서도, 77%의 논문에서 오픈소스 및 상용 시스템 모두보다 높은 선호도를 기록했습니다. 또한 회의실 환경을 시뮬레이션하고 슬라이드별로 발표를 평가하는 청중 지향적 평가 프레임워크인 ConfArena를 소개합니다. ConfArena는 인간의 시스템 순위 평가와 일치하며 위조된 수치, 품질이 저하된 그림, 누락된 슬라이드, 뒤섞인 슬라이드 순서 등 인위적으로 주입된 발표 결함을 정확히 탐지합니다.
대규모 언어 모델(LLM) 에이전트는 계획 수립, 코드 실행, 디버깅, 실험적 피드백을 결합하여 머신러닝 엔지니어링(MLE) 자동화를 시작하고 있다. 이 능력을 의료 영상에 적용하는 것은 여전히 어려운데, 각 태스크가 모달리티별 실험과 검증 프로토콜 및 예측 결과물에 대한 엄격한 요구 사항을 부과하기 때문이다. 본 논문에서는 의료 영상 모델 개발을 위한 자율 멀티 에이전트 프레임워크인 AMID를 소개한다. AMID는 먼저 데이터 조건부 방법 계획(Data-Conditioned Method Planning)을 제안하는데, 이는 태스크 수준의 거친 탐색 공간을 태스크별 데이터 분석과 실행 가능한 의료 영상 리소스에 기반하여 실행 가능하고 병렬화 가능한 방법 레인으로 정제한다. 이어서 검증 유도 2단계 최적화(Verification-Guided Two-Stage Optimization)를 도입하는데, 이는 다양한 방법 레인에 대한 폭넓은 초기 탐험에서 유망한 후보의 선택적 활용으로 이동하는 동시에, 최적화 전반에 걸쳐 검증 프로토콜, 메트릭 계산, 예측 결과물의 엄격한 검증을 적용한다. 다양한 모달리티와 예측 유형을 아우르는 20개의 의료 영상 챌린지 태스크에서 AMID는 평가 대상 범용 MLE 시스템을 능가하였으며, 여러 태스크에서는 우수한 인간 설계 챌린지 솔루션에 근접하거나 동등한 성능을 달성하였다. 이러한 결과는 AMID가 태스크별 의료 영상 모델 개발을 맞춤형 수동 엔지니어링에서 이질적인 태스크 전반에 걸쳐 고성능의 감사 가능한 모델 결과물을 생성하는 에이전트 워크플로우로 전환할 수 있음을 시사한다.
온프레미스 IT 환경을 강화하는 작업은 충분한 사이버보안 전문 지식을 보유하지 못한 팀에게 매우 부담스러운 과제일 수 있다. 이와 관련하여, 전문 지식이 내재된 의사결정 지원 시스템(DSS)은 사용자가 목표를 달성할 수 있도록 보안 권고 사항을 안내함으로써 도움을 줄 수 있다. 본 연구는 다양한 보안 차원의 커버리지를 나타내는 최소한의 사용자 요구 사항을 입력받아 보안 제어 하위 패밀리를 추천하는 보안 DSS를 제안한다. 이 시스템은 잘 알려진 정보 보안(InfoSec) 및 학술 출처로부터 수집된 정제된 통합 데이터셋을 활용한다. 이 DSS는 다중 에이전트 영향 다이어그램(MAID) 모델에 기반한 비제로섬(non-zero-sum) 동시 게임으로 정의되며, 7개의 보안 차원 또는 에이전트에 걸친 결정 공간을 탐색하기 위해 후회 없는(no-regret) 온라인 학습을 사용하여, 보안 자원의 과소 및 과잉 프로비저닝을 최소화하면서 요구 사항에 가장 적합한 보안 제어 하위 패밀리를 최종적으로 도출한다. 본 연구는 다양한 데이터셋 크기에 대해 성능 및 정확도 등 여러 측면에서 검증되었다. SW로 구현 가능한 보안 제어의 약 65%만을 사용할 경우 1.2~35.7초 내에 99%의 탁월한 만족 커버리지 결과를 보여주었으며, 제어의 약 29%를 사용할 경우에는 0.8~13.8초 내에 73%~77%의 보다 보통 수준의 커버리지 결과를 나타냈다.
베이지안 게임과 팀 게임 원리를 결합한 적응형 다중 에이전트 프레임워크 G-Frame은 경량 대규모 언어 모델(LLM)의 화학 도메인 추론 결함을 극복하기 위해 363,045개의 사고의 연쇄와 199,589개의 질문-답변 쌍으로 구성된 전문 코퍼스를 자동 합성한다. 이를 통해 학습된 7B 모델 OmniChem은 ChemBench에서 GPT-4o mini와 동등한 성능을 달성하면서 기반 모델 대비 환각을 79.46% 감소시켰다.
비디오 생성 패러다임이 부분적 조작에서 전체 장면 합성으로 발전함에 따라, AI 생성 비디오 탐지는 위조물이 전역적으로 일관된 구조와 높은 지각적 사실감을 나타내므로 점점 더 어려워지고 있다. 그러나 기존 벤치마크는 지각적 충실도에 편향되어 있으며, 주로 지각적 아티팩트를 기반으로 탐지기를 평가함으로써 물리 법칙 위반, 구조적 일관성, 또는 사회적 논리에 대한 추론이 필요한 시나리오를 충분히 다루지 못한다. 이러한 데이터셋 바이어스는 현재의 접근 방식을 형성하고, 인식-추론 격차(Perception-Reasoning Gap)를 야기한다: 아티팩트 중심 모델은 저수준 통계적 불규칙성을 포착하지만 의미론적 추론이 부족하고, 비전-언어 모델은 의미론적 추론을 수행하지만 세밀한 포렌식 단서에 둔감하다. 이 격차를 해소하기 위해, 우리는 포렌식 인식과 의미론적 추론 간의 협력적 전문화를 가능하게 하는 다중 에이전트 프레임워크인 SafeGuard를 제안한다. 계층적 지각 솔버(hierarchical perceptual solver)가 세밀한 포렌식 증거를 추출하고, 자기 반성적 검증기(self-reflective verifier)가 의미론적 추론과 물리적 타당성 간의 일관성을 강제하여 해석 가능한 증거 체인을 형성한다. 평가를 지원하기 위해, 우리는 물리적 타당성, 구조적 일관성, 사회적 행동의 합리성을 평가하도록 설계된 10개 사회적 위험 범주에 걸쳐 2만 개의 비디오로 구성된 새로운 AI 생성 비디오 탐지 벤치마크인 SafeVid를 소개한다. 광범위한 실험을 통해 SafeGuard의 일반화 성능을 입증하였으며, SafeVid에서 정확도를 +18.7% 향상시키고 4개의 공개 벤치마크에서 기존 방법들을 지속적으로 능가하였다.
자동화된 연구 에이전트는 코드를 생성하고 문헌을 검색하며 과학적 산출물을 초안으로 작성하는 기능이 점점 향상되고 있지만, 생성된 실험이 올바르게 실행되는지 또는 인용된 출처가 생성된 주장을 뒷받침하는지 검증하지 못하는 경우가 많다. 본 논문에서는 신뢰할 수 있는 연구 워크플로 자동화를 위한 실행 기반 다중 에이전트 프레임워크인 AutoResearch를 제안한다. AutoResearch는 샌드박스 Python/PyTorch 실행, 반복적 코드 수정, 인용 검증, 주장 지지 감사, 의사결정 제어, 구조화된 LaTeX 산출물 생성을 결합한다. 이 시스템은 런타임 오류, 인용 검증 실패, 리뷰 에이전트 피드백을 생성된 연구 산출물에 대한 실질적인 필터링 신호로 처리한다. HumanEval, MBPP, SciCode 부분집합, 인용 검증 태스크, 주장 지지 감사, 소규모 엔드투엔드 워크플로 스트레스 테스트에 대한 통제된 평가에서 AutoResearch는 직접 비교 가능한 기준 모델 대비 실행 성공률, 인용 유효성, 로컬 주장 지지, 워크플로 완료율을 향상시켰다. 코드 중심 에이전트는 부분 비교로서 별도 보고된다. AutoResearch는 완전 자율 과학자나 독립적인 논문 품질 벤치마크가 아닌 신뢰성 지향 연구 보조 도구로서 설계되었다. 소스 코드: https://github.com/raja21068/AutoResearch
고품질 방법론 그림은 과학적 커뮤니케이션의 핵심이지만, 여전히 만들기 어렵고 시간이 많이 든다. 이러한 그림은 논문이 발전함에 따라 방법의 구성 요소와 정보 흐름을 명확하고 수정 가능한 다이어그램으로 압축해야 한다. 기존 방법론 다이어그램 자동화 시스템은 일반적으로 편집 가능성과 시각적 품질 사이의 트레이드오프에 직면한다. TikZ 또는 SVG 기반 방법은 편집 가능한 구조화된 출력을 생성하지만 종종 사람이 설계한 그림의 풍부함이 부족한 반면, 이미지 생성 모델은 다듬어진 래스터 출력을 생성하지만 수정하기 어렵다. 우리는 과학 텍스트로부터 시각적으로 풍부하고 완전히 편집 가능한 방법론 그림을 생성하는 end-to-end 멀티 에이전트 프레임워크인 SciFig를 제안한다. SciFig는 그림 생성을 계획, 레이아웃 합성, 구성 요소 렌더링, 반복적 정제로 분해하여, 표준 다이어그램 도구에서 편집할 수 있고 인간 또는 VLM 피드백을 통해 정제할 수 있는 XML 그림을 생성한다. 또한 37개 arXiv 도메인과 15개 최상위 AI/ML 학회에서 수집한 435개의 저자 직접 작성 방법론 그림으로 구성된 사람 검증 벤치마크 SciFig-Bench와, 그림 품질을 측정하는 4축 평가 프로토콜 SciFig-Eval을 소개한다. 7개의 단일 에이전트 및 에이전틱 베이스라인에 걸쳐 SciFig는 4개 SciFig-Eval 축 모두에서 최고 성능을 달성하며, 평균 약 10분 만에 편집 가능한 그림을 생성한다. 정성적 예시는 SciFig가 방법론 그림을 넘어 티저 다이어그램과 통계 플롯까지 일반화할 수 있음을 추가로 보여준다. 데이터셋과 코드는 https://shramanpramanick.github.io/SciFig/ 에서 이용할 수 있다.
기존 제로샷 3D 이해는 영상 키프레임과 다중모달 대규모 언어 모델(MLLM)에 의존해 관측 시점 부족과 암묵적 3D 인식 한계가 있다. Planning Agent의 시점 계획·보완과 Perception Agent의 구조화된 통합 인지 맵 갱신을 반복하는 협업 다중 에이전트 프레임워크를 제안하며, 6개 벤치마크에서 ScanRefer [email omitted] 11.1%p, 3D-assisted dialog BLEU-1 14.6, SQA3D EM 2.1 등 SOTA 성능을 기록했다.
Brain-Computer Interfaces (BCIs) and brain signal understanding are pivotal for clinical health and next-generation interactions. Despite this significance, its widespread adoption in real-world scenarios remains restricted, primarily because current analytical paradigms lack sufficient agentic intelligence. First, existing methodologies impose prohibitive technical barriers, requiring extensive specialized expertise. Second, they remain inherently static and task-specific, failing to execute the complex, long-horizon workflows essential for real-world deployment. To accelerate the democratization of brain signal understanding, we draw inspiration from Large Language Models (LLMs) to introduce BrainAgent, an LLM-driven multi-agent framework designed to ground abstract natural language intent into rigorous, executable, and end-to-end processing pipelines. BrainAgent employs a hierarchical architecture where a central supervisor orchestrates specialized sub-agents for adaptive task decomposition and execution. Furthermore, we establish a comprehensive, systematic benchmark for evaluating agentic systems in brain signal analysis. Empirical results demonstrate that BrainAgent effectively automates complex workflows with superior reliability, marking a paradigm shift toward democratized brain signal understanding.
1인칭 비디오에서의 세밀한 행동 인식은 비전-언어 모델(VLMs)에게 어려운 과제입니다. 행동은 종종 작은 시각적 단서에서만 차이가 나며, 단일 모델은 이러한 단서의 하위 집합에 편향되는 경향이 있습니다. 우리는 Divide, Deliberate, Decide라는 완전 로컬, 제로샷 멀티 에이전트 프레임워크를 제안합니다. 이 프레임워크에서 (i) VLM 오케스트레이터는 비디오를 청크로 나누고 세그먼트별로 상위 k개 후보 라벨 목록을 제안하며, (ii) 서로 다른 오픈 모델 계열에서 가져온 이질적인 VLM 전문가들의 앙상블은 동료 협의 질문 라운드를 포함하는 구조화된 숙고에 참여하고, (iii) 에이전트 순위는 보르다 수로 집계되며, 오케스트레이터는 전문가들의 증거를 바탕으로 자신의 예측 순위를 다시 매깁니다. 전체 파이프라인은 미세조정 없이 로컬에서 실행됩니다. 실험 결과, 우리의 방법이 기준선(baseline)보다 제로샷 행동 인식 성능을 긍정적으로 향상시킴을 보여줍니다. 이는 이질적인 숙고 단계의 영향을 강조하며, 성능 향상이 추가적인 연산이 아닌 상관성이 제거된 모델 사전 확률(decorrelated model priors)에서 비롯됨을 보여줍니다.