실세계 공간 지능은 연속적이고 진화하는 3D 세계에 대한 추론을 요구하지만, 기존 비전-언어 모델(VLM)과 도구가 강화된 에이전트는 대부분 고립된 시각적 관찰로부터의 정적이고 상태가 없는(stateless) 추론에 여전히 의존하고 있습니다. 우리는 연속적인 다중 뷰 이미지와 비디오를 이해하고 추론하기 위한 공간 도구 사용 에이전트 패러다임인 S-Agent를 소개합니다. 공간 추론을 고립된 프레임 수준 예측이 아닌 시공간적 증거 누적(spatio-temporal evidence accumulation)으로 정의함으로써, S-Agent는 공간 지각을 프레임 중심(frame-centric) 인식을 넘어선 장면 중심(scene-centric) 이해로 재구성합니다. 구체적으로, S-Agent는 필요한 증거를 결정하는 의미론적 계획자(semantic planner)로서 VLM을 활용하는 반면, 공간 도구 및 전문가들의 계층 구조는 객체를 2D에 그라운딩(grounding)하고 이를 3D 기하학적 증거로 리프트(lift)하며, 이 증거를 고차원 공간 지식(예: 계수, 측정, 방향, 상대 위치)으로 집계합니다. 또한, 진화하는 장면 상태를 유지하기 위한 장면 메모리(Scene Memory)와 추론 컨텍스트를 누적하기 위한 에이전트 메모리(Agent Memory)를 포함하는 시간적 메모리 메커니즘은 프레임 및 추론 단계에 걸친 증거 통합을 가능하게 합니다. 다중 뷰 및 비디오 공간 추론 벤치마크에 대한 포괄적인 실험 결과, S-Agent는 학습 없이(training-free) 오픈 소스 및 폐쇄형 VLM 모두를 일관되게 개선하는 것으로 나타났습니다. 추론 시간 증강(augmentation)을 넘어, S-Agent가 생성한 공간 궤적 데이터셋인 S-300K에 대한 지도 미세조정(SFT)을 통해 S-Agent-8B라는 소형 공간 에이전트를 얻었으며, 이는 유사한 규모의 기준 모델(예: Qwen3-VL-8B)을 현저히 능가하고 고급 폐쇄형 모델(예: GPT-5.4 및 Gemini 3)과 유사한 성능을 발휘합니다.
KAT-Coder-V2.5는 실제 실행 가능한 리포지토리 내에서 자율적으로 동작하는 코딩 에이전트 모델로, 재현 가능한 환경 구축(AutoBuilder), 프로세스 인식 궤적 필터링, 대규모 도구 사용 궤적 합성(KwaiClawEnv), 비대칭 PPO 기반 강화학습, 멀티-티처 온-정책 지식 증류를 결합한 엔드투엔드 사후학습 프레임워크를 제시한다. 6개의 소프트웨어 엔지니어링 및 에이전트 벤치마크 평가에서 PinchBench 에이전트 도구 사용 부문 1위, 리포지토리 수준 소프트웨어 엔지니어링에서 Opus 4.8에 이어 2위를 달성했다.
멀티턴 툴 사용 강화학습(RL)은 정적 데이터셋에서 유익한 샘플이 빠르게 고갈되는 병목을 겪으며, GRPO의 롤아웃 보상 분산이 성공·실패가 균형인 능력 경계에 집중된다는 점을 RODS(Reward-driven Online Data Synthesis)가 활용해 진행 보상 분산으로 경계 샘플을 탐지하고 스킬 정렬 리샘플링으로 멀티턴 변형을 합성하며 정책과 함께 진화하는 동적 리플레이 버퍼를 운영한다. 400개 인간 시드와 약 800개 활성 학습 풀만으로 1만 7천 샘플 오프라인 파이프라인과 유사한 성능을 약 20배 적은 궤적으로 달성하고, 고정 데이터 RL 및 환경 증강보다 개선된 결과를 보였다.
기존 기후 모델과 대규모 언어 모델(LLM)의 한계를 극복하기 위해, 과학적 도구와 LLM 계획을 결합한 TerraAgent 프레임워크와 이질적인 지구 시스템 데이터에 대한 추론 능력을 평가하는 TerraBench 벤치마크를 제안합니다. 403개의 작업을 포함한 이 벤치마크는 에이전트가 다양한 데이터와 도구를 조율하여 워크플로우를 수행하는 능력을 측정하고, 정확한 도구 매개변수화와 아티팩트 출처 보존의 중요성을 강조합니다.