AI 기술 데일리 리포트

ABot-AgentOS: A General Robotic Agent OS with Lifelong Multi-modal Memory

평생 멀티모달 기억을 갖춘 범용 로봇 에이전트 운영체제

최근 VLM(비전언어모델)·VLA(비전-언어-행동모델)는 로봇의 지각과 행동예측 능력을 끌어올렸다. 하지만 장기간에 걸쳐 임무를 수행하는 체화 에이전트는 여전히 추론, 기억, 도구사용, 검증, 엣지-클라우드 협업을 총괄하는 범용 런타임 계층을 필요로 한다. 연구진은 저수준 컨트롤러 위에 얹혀 장면조건부 계획, 맥락이 서로 섞이지 않는 스킬 실행, 다단계 검증, 멀티모달 기억, 엣지-클라우드 협업을 제공하는 숙고형 에이전트 계층인 ABot-AgentOS를 제시한다.

이런 시스템을 평가하기 위해 연구진은 실행 가능한 벤치마크 EmbodiedWorldBench를 함께 도입했다. 실내·실외·혼합 16개 장면, 4단계 난이도, 내비게이션·물체탐색·NPC대화·동적이벤트를 아우르는 200개 이상 과제로 구성되며 경로기반 채점을 적용한다. ABot-AgentOS는 나아가 범용 멀티모달 그래프메모리를 도입하는데, 이는 대화·시각관측·공간맥락·시간관계·과제이력을 유형화된 노드와 엣지로 변환해 영속적으로 저장하는 출처기반 기반구조다. 실패주도 자기진화 루프는 진단된 기억 실패를 게이트를 거친 런타임 진화자산으로 전환하되, 오직 이후 평가구간에만 승격시켜 현재 구간의 정답 유출을 막으면서도 지속적 개선을 가능하게 한다. EmbodiedWorldBench 초기 하위집합에서 ABot-AgentOS는 과제성공·목표완수 양면에서 단일컨트롤러 기준선을 능가했다. 메모리 벤치마크 전반에서 정적모드 기준 LoCoMo 87.5, OpenEQA EM-EQA 59.9, Mem-Gallery 88.6, NExT-QA Acc@All 76.5를 기록했고, 자기진화를 더하면 LoCoMo 88.7, OpenEQA 60.4, Mem-Gallery 89.0으로 개선됐다. 이 결과는 범용 에이전트OS 계층이 장기추론형 체화실행을 개선하는 동시에, 지속적 상호작용을 위한 영속적이고 감사가능한 기억을 제공할 수 있음을 시사한다.

• 로봇 컨트롤러 위에 얹는 별도 "에이전트OS" 계층으로 계획·스킬실행·검증·기억·엣지클라우드 협업을 통합
• 실패사례를 게이트 거쳐 차기 평가에만 반영하는 자기진화 루프로 정답유출 없이 LoCoMo·OpenEQA 등 기억벤치마크 지속 개선

ABot-N1: Toward a General Visual Language Navigation Foundation Model

범용 시각언어내비게이션 파운데이션모델을 향하여

시각언어내비게이션 파운데이션모델은 정합된 공간적 판단을 위한 심층추론과, 다양한 체화 과제에 대응하는 폭넓은 범용성을 하나로 통합하는 것을 목표로 한다. 현재 접근법은 대개 관측을 행동으로 직접 매핑하는 모놀리식 정책으로 이를 달성하지만, 좌표드리프트와 롱테일 의미처리 부족에 시달리는 경우가 많다. 게다가 이런 블랙박스 매핑은 해석가능성이 떨어져, 일반성·강건성·투명성을 동시에 달성하는 데 걸림돌이 된다.

연구진은 범용 시각언어내비게이션 파운데이션모델을 향한 진전인 ABot-N1을 제시한다. 이중 시각언어 신호로 유도되는 슬로우-패스트 구조를 통해 인지와 제어를 분리함으로써 이 문제들을 해결한다. 구체적으로, 느린 시각언어추론기가 명시적인 Chain-of-Thought 추론을 수행하며 픽셀 목표를 산출한다. 이 압축된 이미지공간 앵커점 집합은 지점목표·물체목표·POI목표·지시이행·사람추적을 아우르는 다양한 과제의 범용 인터페이스로 기능한다. 이어서 빠른 행동전문가가 텍스트단서와 픽셀유도를 모두 활용해 네이티브 제어주기에 맞춰 연속적인 웨이포인트를 생성한다. 픽셀기반 앵커와 명시적인 언어적 흔적을 짝지어 고수준 의도와 저수준 제어를 잇는 이 접근법은 시뮬레이션과 실세계 벤치마크 전반에서 강건하고 일반화 가능하며 해석 가능한 내비게이션을 보장한다. ABot-N1은 도심규모 내비게이션에서 특히 두드러진 향상을 보이며 새로운 최고 성능을 세운다. POI 도달률을 35.0%포인트 끌어올려 77.3%에 이르렀고, 복잡한 실내·실외 장면에서 각각 95.4%/92.9%의 성공률을 달성했다. 물체도달, 사람추적, 지시이행 과제 전반에서도 우수한 강건성을 유지한다. 도심규모 내비게이션 분야 발전을 위해 신규 지점목표·POI목표 벤치마크도 오픈소스로 공개했다.

• 느린 언어추론(픽셀목표 산출)과 빠른 행동전문가(웨이포인트 생성)를 분리하는 슬로우-패스트 구조로 해석가능성과 일반화 동시 확보
• 도심규모 내비게이션 POI 도달률 77.3%(+35.0%p), 실내·외 성공률 95.4%/92.9%로 신규 최고성능, 벤치마크 오픈소스 공개

LightMem-Ego: Your AI Memory for Everyday Life

LightMem-Ego: 일상생활을 위한 당신의 AI 기억

모바일·웨어러블 기기의 개인 AI비서는 시각·음성 스트림을 통해 사용자의 일상을 지속적으로 지각한다. 그러나 과거 경험에 대한 질의에 답하려면 장기 경험을 계속 누적하고 조직하고 검색할 수 있는 경량 멀티모달 기억이 필요하며, 이는 여전히 어려운 과제로 남아 있다. 이 문제를 다루기 위해 연구진은 일상생활 보조를 위한 경량 스트리밍 멀티모달 기억시스템 LightMem-Ego를 제시한다. 이 시스템은 1인칭 시각·음성 스트림을 지속적으로 포착하고, 이를 공유 타임라인 위에 정렬한 뒤, 현재·단기·장기 기억으로 구성된 계층형 기억으로 조직한다. 사용자 질의가 주어지면 LightMem-Ego는 적절한 기억단계로 검색을 동적으로 라우팅하고, 멀티모달 근거에 기반한 답변을 생성한다. 이 데모는 스마트폰과 AI글래스에 배포 가능하며, 사물찾기·대화회상·일상요약·루틴발견·개인화지원을 지원한다.

• 1인칭 시청각 스트림을 현재·단기·장기 3단계 계층형 기억으로 조직, 질의 유형별 동적 라우팅으로 경량성 확보
• 스마트폰·AI글래스에 실제 배포 가능한 데모로 사물찾기·대화회상·일상요약·루틴발견까지 지원, 코드 공개

4D Human-Scene Reconstruction from Low-Overlap Captures

저중첩 촬영으로부터의 4D 인간-장면 재구성

동적인 인간 퍼포먼스에 대한 기존 볼류메트릭 캡처는 촘촘한 카메라 배열로 높은 충실도를 달성한다. 하지만 현실에서는 저중첩 카메라 몇 대만 가용한 경우가 많아 출력 품질이 떨어지고 넓은 영역이 미관측 상태로 남는다. 최근 4D재구성 방법들은 저중첩 환경에 초점을 맞췄지만 여전히 미관측 영역에서 눈에 띄는 아티팩트를 만들어낸다. 영상디퓨전모델도 또 다른 선택지로 떠올랐지만 사람에 대해서는 기하학적으로 일관되지 않은 결과를 보인다. 이런 한계를 해결하기 위해 연구진은 배경과 사람을 분리함으로써 희소하고 저중첩인 카메라들로부터 4D 인간장면을 재구성하는 파이프라인인 StudioRecon을 제안한다. 영상디퓨전모델로 카메라제어된 수백 개의 신규시점을 합성해 배경 지도를 밀도화하고, 교차시점 신원연관과 삼각측량된 다중시점 키포인트 피팅으로 변형가능한 가우시안 인간을 강건하게 초기화한다. 마지막으로 동작적응형 일관성주입을 갖춘 재귀적 향상모듈이 합성된 출력을 조화시켜 남은 아티팩트를 추가로 방지한다. 연구진은 4개의 실세계 데이터셋에서 최첨단 신규시점합성 성능을 달성했고, 신규궤적렌더링·인물교체 같은 응용도 시연했다.

• 배경(영상디퓨전으로 신규시점 밀도화)과 사람(교차시점 키포인트로 가우시안 초기화)을 분리 처리해 저중첩 카메라의 미관측영역 문제 해결
• 재귀적 향상모듈로 합성 이음매를 다듬어 4개 실세계 데이터셋에서 SOTA 신규시점합성, 신규궤적렌더링·인물교체 응용 시연

AdvancedMathBench: A Benchmark Suite for Advanced Mathematical Proof Generation and Verification

AdvancedMathBench: 고급 수학 증명 생성·검증을 위한 벤치마크 스위트

대형언어모델은 고등학교·올림피아드 스타일 수학에서 눈에 띄는 성과를 냈지만, 고급수학에서의 역량은 여전히 제대로 알려져 있지 않다. 기존 벤치마크는 분야커버리지와 평가 정밀도 양면에서 부족한데, 다루는 분야가 제한적이고 최종 정답의 정확성이나 거친 판정에 의존하는 경우가 많아 추론과정 자체의 타당성이 충분히 평가되지 못한다. 이 공백을 메우기 위해 연구진은 고급 수학추론 역량을 평가하도록 설계된 벤치마크 스위트 AdvancedMathBench를 소개한다. 핵심 증명생성 벤치마크인 ProverBench는 학부와 박사자격시험 수준을 아우르는 296개 문제를 담고 있다. 증명에 대한 신뢰할 수 있는 평가를 제공하기 위해, 대규모 전문가 주석으로 학습된 전용 자동검증 파이프라인을 개발해 정오판정과 세밀한 증명오류 평가를 함께 산출하도록 했으며, 이는 held-out 증명궤적에서 사람 전문가와 높은 일치도를 보였다. 나아가 모델이 증명 타당성을 올바로 판단하고 건전한 검증근거를 제시할 수 있는지 평가하기 위해, 전문가 정답과 짝지어진 888개의 모델생성 증명궤적으로 구성된 VerifierBench도 함께 도입했다. 실험 결과 AdvancedMathBench는 프론티어 모델에도 여전히 도전적이다. 증명생성에서 최고성능 모델인 GPT-5.5-xhigh조차 UGD와 QE 구간에서 각각 75.8과 66.1에 그쳐, 고급 수학증명 구성에서 개선 여지가 상당함을 보여준다. 증명검증에서는 최고모델이 Balanced F1 65.1에 불과했고, 모델들이 대체로 낮은 참음성률을 보여 결정적 오류탐지가 여전히 주요 병목임을 시사한다.

• 학부~박사자격시험급 증명 296문항(ProverBench)+전문가주석 기반 자동검증 파이프라인으로 "정답여부"를 넘어 "증명 타당성"까지 평가
• 최고모델(GPT-5.5-xhigh)도 증명생성 UGD 75.8·QE 66.1, 증명검증 Balanced F1 65.1에 그쳐 고급수학추론 개선여지 확인

Weak-to-Strong Generalization via Direct On-Policy Distillation

직접 온폴리시 증류를 통한 약함에서 강함으로의 일반화

검증가능보상을 활용한 강화학습(RLVR)은 언어모델 추론력을 향상시키는 강력한 레시피이지만, 새로운 강한모델이 나올 때마다 반복하기엔 비용이 크다. 대상모델이 학습 중 많은 롤아웃을 생성해야 하기 때문이다. 모델 규모가 커질수록 사후학습 자체가 병목이 된다. 연구진은 약함에서 강함으로의 대안을 연구한다. 롤아웃이 더 저렴한 작은 모델에서 RL을 실행한 뒤, 그 RL 실행이 학습한 바를 재사용해 더 강한 대상모델을 개선하는 방식이다. RL을 거친 약한 교사모델을 그대로 직접 증류하는 것만으로는 충분하지 않은데, 교사의 최종 정책이 유용한 RL이득과 소형모델 자체의 한계를 함께 뒤섞고 있기 때문이다.

연구진은 대신 교사의 RL유도 정책이동을 전이하는 직접 온폴리시 증류(Direct-OPD)를 제안한다. Direct-OPD는 RL후 교사모델을 자신의 RL이전 레퍼런스와 비교하고, 그 로그비율을 학생을 위한 조밀한 암묵보상으로 취급한다. 쉽게 말해 체크포인트 쌍이 "RL이 약한모델로 하여금 어떤 행동을 더·덜 하게 만들었는지"를 알려주고, Direct-OPD는 그 신호를 더 강한 학생모델 자신의 온폴리시 상태에 적용한다. 이는 대상모델에서 희소보상 RL을 돌리지 않고도 약한모델의 RL감독신호를 직접 재사용하는 방식이다. 실험적으로 Direct-OPD는 약한 교사를 일관되게 활용해 더 강한 대상모델을 개선하는데, 특히 Qwen3-1.7B를 AIME 2024에서 48.3%에서 58.3%로, A100 GPU 8장으로 단 4시간 만에 끌어올렸다. 이는 단계매칭 직접RL을 능가하며, 여러 정책이동을 순차적으로 합성하는 것도 가능케 한다. 이 결과는 RL의 결과물이 단순히 모방할 최종모델로서만이 아니라, 모델 규모를 가로지르는 암묵적 보상신호로도 재사용될 수 있음을 보여준다.

• 롤아웃이 저렴한 소형모델에서 RL 실행 후, RL전후 체크포인트 로그비율을 "암묵보상"으로 삼아 강한모델의 온폴리시 상태에 이식
• Qwen3-1.7B가 AIME2024에서 48.3%에서 58.3%로(A100 8장·4시간) 향상, 단계매칭 직접RL 능가+여러 정책이동 순차결합 가능

Metacognition in LLMs: Foundations, Progress, and Opportunities

LLM의 메타인지: 기초, 발전, 기회

메타인지는 효과적인 학습, 문제해결, 의사결정, 소통 등에 핵심적인 지능의 근본 요소다. 최근 몇 년간 메타인지는 유능하고 투명한 AI시스템의 초석으로 점점 더 인정받고 있다. 하지만 LLM이 다양한 실세계 과제 전반에서 상당한 진전을 이뤘음에도, 이들이 언제, 어떻게, 어느 정도까지 효과적인 메타인지 능력을 보이거나 갖출 수 있는지, 그리고 그런 능력이 AI시스템의 근본역량·신뢰성·지능을 높이는 데 어떻게 적용될 수 있는지는 아직 명확하지 않다. 이 논문은 LLM 메타인지에 관한 현재 지식상태를 최초로 포괄적으로 개관함으로써 이 공백을 메운다. 연구진은 이 신흥분야의 지형을 분석·분류하고, LLM의 메타인지 능력을 측정·평가하는 방법과 벤치마크, LLM에서 메타인지를 이끌어내고 향상시키고 응용하는 기법, 그리고 진행중인 연구의 발견과 함의를 포함한 최근의 기술적 진전을 종합한다. 응용사례, 미해결 질문과 과제, 향후 유망한 연구방향도 함께 논의한다. 이 주제에 대한 상세하고 최신의 리뷰를 제공하고 의미있는 연구와 토론을 촉발하는 것이 목표이며, 정리된 논문목록은 공개 저장소에서 확인할 수 있다.

• LLM 메타인지(자기 지식상태 인식) 연구를 측정·평가·유도·개선·응용 전 영역에 걸쳐 정리한 최초의 포괄적 서베이
• 진행중 연구의 발견·함의와 미해결 질문까지 정리, 공개 논문목록(GitHub)으로 후속연구 진입장벽 낮춤

NeuroCogMap Reveals Cognitive Organization of Large Language Models

NeuroCogMap, 대형언어모델의 인지적 조직구조를 드러내다

인공시스템 내에서 복잡한 인지기능이 어떻게 조직되는지 이해하는 것은 대형언어모델(LLM)을 해석하고 이를 생물학적 인지와 연결하는 데 핵심적이다. 하지만 LLM이 폭넓은 인지유사 행동을 보이더라도, 그 내부표현이 행동과 실패, 인간인지와의 연결을 설명하는 재현가능한 기능체계를 형성하는지는 여전히 불분명하다. 연구진은 인지신경과학에서 영감을 받은 프레임워크 NeuroCogMap을 제시한다. 이는 LLM의 내부특징을 기능구획으로 조직하고, 이를 해석가능한 기능, 인지능력, 인지위계와 연결한다. 이 구획들은 여러 모델에 걸쳐 부분적으로 보존되면서도 안정적이고 의미적으로 일관된 조직을 형성하며, 모델출력과 기능적으로 연결된다. 이 조직구조 안에서 환각, 편향, 거부실패, 아첨을 포함한 LLM의 주요 실패들은 표상체계와 행동제어체계의 서로 다른 붕괴에 대응하며, 이는 메커니즘에 기반한 탐지와 표적화된 개입을 위한 내부 시그니처를 만들어낸다. 모델행동을 넘어 NeuroCogMap은 자연스러운 언어이해 과정에서 인간 대뇌피질 반응에 대한 예측력도 개선하는데, 고차연합피질에서 가장 강한 대응관계가 나타난다. 인지수준에서는 그 내부 시그니처가 인간 의사결정에 관한 고전적 모델을 정교화하는 잠재전략을 드러낸다. 종합하면 이 발견들은 NeuroCogMap을 인공시스템의 기능적 조직을 매핑하고, 이 조직을 인간 대뇌피질 기능·인지행동과 연결하는 시스템수준 프레임워크로 자리매김한다.

• 인지신경과학의 "기능구획" 개념을 LLM 내부표현에 적용, 여러 모델에 걸쳐 안정적·의미적으로 일관된 조직구조 확인
• 환각·편향·거부실패·아첨 등 주요 실패를 표상·행동제어 체계의 특정 붕괴로 규명, 인간 대뇌피질 반응 예측·의사결정모델 정교화까지 연결

Inside the Unfair Judge: A Mechanistic Interpretability Account of LLM-as-Judge Bias

불공정한 심판 속으로: LLM-as-Judge 편향의 메커니즘적 해석

LLM-as-judge 채점편향에 관한 기존 연구는 대부분 입출력 수준에서 이뤄진다. 입력을 섭동시키고 점수변화를 측정한 뒤 프롬프트 수준의 완화책을 제안하는 방식이다. 연구진은 같은 편향이 심판모델의 은닉상태에서 표현수준의 설명을 허용하며, 이는 입출력 관점을 보완하면서도 그 관점이 제공하지 못하는 실용적 쓸모를 지닌다고 주장한다. 7개 심판모델, 7개 편향유형, 9개 벤치마크 전반에서 세 가지 발견을 보고한다. 기하학적으로, 기준이 되는 심판입력은 좁은 활성화 다양체를 차지하는 반면 편향된 입력은 저차원의 유형별 부분공간을 따라 이동하며, 이 이동은 층이 깊어질수록 더 뚜렷해지고 세 계열의 추정기법으로 일관되게 복원된다. 인과적 통제 측면에서는, 이 부분공간을 따라 은닉상태를 조작하면 채점을 양방향으로 이끌 수 있다. 정방향 이동은 깨끗한 입력에서 편향된 채점을 재현하고, 역방향 이동은 편향된 입력에서 기준 채점을 복원하는 반면, 크기를 맞춘 무작위 방향은 그보다 한 자릿수 더 작은 이동만을 만들어낸다. 실용적 측면에서는, 동일한 편향방향 특징에 대한 단순한 선형투영이 전혀 접해본 적 없는 세 개의 벤치마크에서 심판의 실패를 예측하며, 텍스트기반 대안기법을 상당히 능가한다. 편향을 입출력 잡음이 아니라 활성화 기하학으로 읽어냄으로써, 이 연구는 기하학적 구조·인과적 통제·실용적 예측을 하나의 프레임워크 안에 통합한다.

• LLM-as-judge 편향을 입출력 관찰이 아닌 은닉상태의 "활성화 기하학"으로 규명, 편향유형별 저차원 부분공간을 특정
• 해당 부분공간을 조작(steering)해 편향을 인과적으로 유도·복원 가능함을 입증, 동일 특징의 선형투영만으로 미공개 벤치마크 심판실패까지 사전예측

Cycle-World: Mitigating Error Accumulation in Long-term Video World Models via Reverse-Prediction Cycle Consistency

Cycle-World: 역예측 순환일관성을 통한 장기 영상 월드모델의 오차누적 완화

자기회귀 디퓨전모델은 고품질 영상생성을 가능하게 했지만, 그 순차적 특성상 본질적으로 오차누적에 취약하다. 장기간에 걸친 영상합성에서는 작은 예측편차가 시간이 지나며 누적돼 필연적으로 통제불능의 생성적 드리프트, 구조붕괴, 심각한 시각적 화질저하로 이어진다. 이 문제를 해결하기 위해 연구진은 안정적이고 시간적으로 일관된 장기영상 생성을 위해 설계된 새로운 프레임워크 Cycle-World를 제안한다. 이 접근법은 학습과 추론 두 단계 모두에서 엄격한 시간적 가역성을 강제함으로써 오차드리프트 문제에 대응한다. 이론적으로, 연구진은 순방향 생성드리프트가 순환일관성 목표에 의해 엄격하게 제한될 수 있음을 증명한다. 학습 과정에서는 효율적인 역예측모델을 통합해 순방향 생성기에 암묵적으로 인과적 제약을 심어넣어, 자연스러운 영상 다양체에 밀착하는 가역적 시퀀스를 생성하도록 강제한다. 추론 시점에는 이 동결된 역모델을 런타임 교정기로 재활용한다. 그래디언트 기반 순환유도를 통해 생성된 잠재표현을 반복적으로 정제하며, 누적된 오차가 이력 맥락에 반영되어 굳어지기 전에 능동적으로 억제한다. VBench 벤치마크에서의 광범위한 실험은 Cycle-World의 이중단계 시너지가 오차드리프트를 상당히 완화하며, 60초 합성에서 최고수준의 전반적 생성품질과 장기 시간적 일관성을 달성함을 보여준다.

• "정방향생성을 거꾸로 되돌리면 원래대로 복원돼야 한다"는 순환일관성을 학습(암묵적 인과제약)과 추론(런타임 교정) 양쪽에 강제해 오차드리프트를 이론적으로도 제한
• VBench에서 60초 장기영상합성 기준 SOTA 전체품질·시간적 일관성 달성, 동결된 역모델을 추가비용 적은 런타임 교정기로 재활용

MM-ToolSandBox: A Unified Framework for Evaluating Visual Tool-Calling Agents

MM-ToolSandBox: 시각적 도구호출 에이전트 평가를 위한 통합 프레임워크

연구진은 시각적으로 기반한 도구호출 에이전트를 위한 벤치마크이자 평가 프레임워크인 MM-ToolSandBox를 소개한다. 이 프레임워크는 500개 이상의 도구가 16개 응용영역에 걸쳐 있는 상태유지형 실행환경을 제공하며, 에이전트가 점진적으로 도착하는 시각입력을 실행가능한 도구호출로 접지하면서 목표수정·오류정정·상태변이 같은 현실적인 대화현상까지 처리해야 하는 다중이미지·다중턴 과제를 지원한다. 정보흐름기반 계획과 다단계 품질필터링을 거치는 자동화된 시나리오생성 파이프라인은 다양하고 시각에 기반한 시나리오를 산출하며, 그 결과 258개의 사람검증 표준시나리오와 상호작용형 UI 응용을 겨냥한 50개 변형이 만들어졌다. 4B 규모의 오픈웨이트 모델부터 프론티어급 독점시스템까지 12개의 최신모델을 평가한 결과, 현재 모델들은 여전히 강건한 시각적 도구호출 능력을 갖추지 못했으며, 최고성능 모델조차 성공률이 50%를 밑돈다. 실패분석은 더 나아가 시각적 정밀도가 계획수립뿐 아니라 유능한 모델들의 주된 병목임을 드러낸다. 실패의 53%는 나머지 과제흐름은 올바랐음에도 이미지에서 잘못된 정보를 추출한 데서 비롯됐다. 규모가 커짐에 따라 "계획에서 정밀도로" 넘어가는 교차지점이 나타난다. 소형모델은 무엇을 할지 결정하는 데서 실패하는 반면, 대형모델은 보이는 것을 지각하는 데서 실패하며, 이는 역량수준이 다른 모델을 개선하려면 근본적으로 다른 연구방향이 필요함을 시사한다. 프레임워크와 벤치마크는 공개돼 있다.

• 500개 이상 도구·16개 앱영역을 아우르는 상태유지형 실행환경으로 다중이미지·다중턴·목표수정 등 현실적 대화현상까지 평가
• 최고모델도 성공률 50% 미만, 실패의 53%는 계획오류가 아닌 "이미지 정보추출 오류"로 규모별 계획-정밀도 교차 현상 확인