오늘 연구 흐름은 비디오 이해·생성 모델을 범용화하면서도 실제 상호작용과 체화 지능으로 연결하려는 시도가 두드러진다. 에이전트 연구는 장기 작업의 희소 보상을 보완할 학습 신호와 평가 방식, GUI 조작의 경험 기반 개선을 함께 제시한다. 제품·산업 소식에서는 알리바바의 대형 모델 공개 예고와 삼성의 AI 안경 준비, OpenAI의 AI 투자수익 측정 프레임 제안이 포착됐다. 한편 HN에서는 Kimi K3 수요에 따른 신규 구독 중단 소식도 공유됐다. 오늘의 결론은 모델 크기 경쟁과 별개로, 실제 영상·도구·인터페이스 환경에서 효율적으로 작동하고 검증되는 AI가 연구와 제품 양쪽의 중심으로 이동하고 있다는 점이다.
VideoChat3: Fully Open Video MLLM for Efficient and Generalist Video Understanding
비디오 이해는 동작·장편·스트리밍 장면까지 다뤄야 하지만, 기존 공개 모델은 범용성과 계산 효율, 재현성에서 제약이 있었다. VideoChat3는 이를 해결하기 위해 완전 공개 비디오 중심 MLLM을 제안한다. I3D-ViT와 스트리밍용 적응형 프레임 해상도로 시공간 표현과 영상 처리 비용을 함께 다룬다. 일반·장편·스트리밍 데이터셋을 합성하는 파이프라인을 결합해, 4B 파라미터로 같거나 더 큰 기존 공개 모델을 여러 벤치마크에서 앞섰다고 보고한다.
Boogu-Image-0.1: Boosting Open-Source Unified Multimodal Understanding and Generation
Boogu-Image-0.1은 이미지 이해와 생성, 편집을 하나의 공개 모델 계열에서 제공하려는 연구다. Base·Turbo·Edit·Edit-Turbo 변형을 두고, 모델 이해·데이터 품질·학습 파이프라인과 추론 시점의 에이전트형 확장을 함께 개선한다. 평가에서는 표준 벤치마크에서 다른 공개 모델과 같거나 높은 성능을 보고하며, 선도 폐쇄형 시스템에 근접한 결과도 제시한다. 가중치·코드·레시피는 Apache 2.0으로 공개한다.
AlayaWorld: Long-Horizon and Playable Video World Generation
AlayaWorld는 현재 월드 상태와 사용자 상호작용을 조건으로 다음 관측을 생성하는 비디오 월드 모델의 활용을 다룬다. 게임 녹화와 실제 세계 비디오를 학습해 시각적 외관과 물리적 동역학을 포착하는 방식을 제시한다. 데이터 준비부터 모델 구조·학습·추론 가속·배포까지를 모듈형 구조로 묶어, 사용자가 이동·전투·주문·소환 같은 동작을 실시간으로 수행할 수 있게 설계했다. 재현 가능한 파이프라인과 평가 도구·문서도 함께 공개한다.
SEED: Self-Evolving On-Policy Distillation for Agentic Reinforcement Learning
SEED는 장기 과업에서 결과 보상만으로는 중간 의사결정의 학습 신호가 부족하다는 문제를 다룬다. 완료된 온폴리시 궤적을 분석해 재사용 가능한 작업 흐름·결정적 관찰·실패 회피 규칙을 자연어 기술로 추출한다. 이후 일반 문맥과 기술이 보강된 문맥에서 행동 확률을 다시 비교해, 그 차이를 토큰 수준의 조밀한 증류 신호로 바꾼다. 텍스트·비전 기반 에이전트 과업에서 성능과 표본 효율, 미지 시나리오 일반화의 향상을 보고한다.
Long-Horizon-Terminal-Bench: Testing the Limits of Agents on Long-Horizon Terminal Tasks with Dense Reward-Based Grading
Long-Horizon-Terminal-Bench는 짧고 최종 결과만 평가하는 기존 터미널 벤치마크의 한계를 겨냥한다. 실험 재현·소프트웨어 공학·멀티모달 분석·과학 계산 등 9개 범주의 46개 장기 과업을 세분화된 하위 과업으로 채점한다. 이 구성은 최종 성공뿐 아니라 열린 작업 흐름에서 어디까지 진행했는지도 부분 점수로 포착한다. 15개 프런티어 모델 평가에서 강도가 가장 높은 모델도 완전 보상 기준 pass@1이 10.9%였다고 보고한다.
Scaling Mixture-of-Experts Video Pretraining for Embodied Intelligence
LingBot-Video는 콘텐츠 생성 중심 비디오 모델이 물리적 현실성과 효율 면에서 로봇 제어와 어긋날 수 있다는 문제에서 출발한다. DiT 기반 비디오 사전학습에 Mixture-of-Experts를 적용해 모델 용량과 추론 효율의 균형을 추구한다. 인터넷 영상에 조작·내비게이션·1인칭 관점의 로봇 지향 영상을 보강하고, 물리적 타당성과 과업 완료를 위한 다차원 보상도 사용한다. 평가는 비디오 기반 모델의 성능과 효율을 검증했다고 제시한다.
KnowAct-GUIClaw: Know Deeply, Act Perfectly, Personal GUI Assistant with Self-Evolving Memory and Skill
KnowAct-GUIClaw는 복잡한 자동화 프레임워크가 여러 플랫폼의 GUI를 다루고 실행 경험에서 계속 개선되는 데 부족하다는 문제를 다룬다. Know-Route-Act-Reflect 구조에서 호스트 에이전트가 경험과 지식을 사용해 장기 과업을 분해·배정한다. GUI 하위 에이전트는 경험 귀속 메모리와 자기 진화 기술 라이브러리를 사용하고, 사용자 프로필·피드백을 저장해 도구 호출과 분해 정확도를 개선한다. Android·iOS·HarmonyOS·Windows 평가에서 효율·정확도·플랫폼 적응성을 보고했다.
Vision as Unified Multimodal Generation
SenseNova-Vision은 서로 다른 컴퓨터 비전 과업을 과업별 구조 없이 통합 멀티모달 모델의 텍스트·이미지 생성 공간으로 표현한다. 자연어 지시와 선택적 시각 프롬프트로 과업·영역·뷰·복호화 규칙을 지정하고, 기호 결과는 텍스트로, 조밀한 공간 예측은 이미지로 생성한다. 다양한 주석을 지시-응답 예제로 바꾼 코퍼스를 중심으로 학습해 탐지·OCR·분할·깊이·포즈 등을 포괄한다. 단일 모델이 구조화된 시각 이해와 기하 예측 등에서 전문화 시스템과 맞먹는 결과를 보였다고 보고한다.
arXiv API가 HTTP 429를 반환했고 공식 카테고리 RSS에도 신규 항목이 없어, 중복되거나 오래된 논문으로 보충하지 않았다.