AI TECHNOLOGY DAILY RESEARCH · 2026-07-21 · 09:00 KST
논문·제품·산업 신호를 빠르게 읽는 아침 브리핑
오늘 연구 흐름은 비디오 이해·생성의 효율화와 에이전트의 장기 작업 능력을 실제 작업 단위로 다루는 데 모였다. VideoChat3와 MotionForesight는 영상 사전지식을 범용 이해와 3D 예측으로 확장하고, RESOURCE2SKILL·SEED·장기 터미널 벤치마크는 스킬 축적·학습 신호·평가를 각각 보강한다. 제품·산업 쪽에서는 OpenAI가 장기 실행 모델의 안전·정렬 경험을 공유했고, Google의 Gemini 효율화를 겨냥한 칩 개발 보도와 MCP 세션 처리 단순화 소식이 이어졌다. 국내에서는 공공 인사 시스템용 에이전트, 법령·매뉴얼 업무지원, 온디바이스 피지컬 AI가 눈에 띄었다. 한 줄로 보면, 모델 자체의 확장보다 긴 흐름을 더 싸고 검증 가능하게 운영하려는 연구와 제품 신호가 동시에 강해졌다.
VideoChat3: Fully Open Video MLLM for Efficient and Generalist Video Understanding
VideoChat3는 일반·장편·스트리밍 영상 전반에서 작동하는 공개 비디오 MLLM을 목표로 한다. I3D-ViT와 스트리밍용 적응형 프레임 해상도로 시공간 표현과 처리 비용을 함께 다룬다. 세 종류의 합성·정제 데이터셋을 구성해 도메인 일반화를 넓혔다. 실험에서는 4B 파라미터로 동급 또는 더 큰 공개 모델을 앞섰다고 보고한다.
원문 보기 ↗RESOURCE2SKILL: Distilling Executable Agent Skills from Human-Created Multimodal Resources
RESOURCE2SKILL은 튜토리얼 영상·저장소·문서 같은 멀티모달 자료를 에이전트의 재사용 가능한 절차 지식으로 바꾼다. 결과물은 텍스트·코드·시각 예시·메타데이터·출처를 함께 담는 계층형 Skill Wiki다. 에이전트는 필요한 스킬을 검색·조합하고, 범위가 부족하면 같은 연산자로 온라인 습득한다. 7개 저작 도메인에서 무스킬 에이전트보다 평균 점수를 11.9%p 높였다고 보고한다.
RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM
RAGU는 한 번의 추출로 생기는 그래프 잡음과 취약한 검색을 줄이려는 오픈소스 GraphRAG 엔진이다. 타입 추출 뒤 DBSCAN 중복 제거, LLM 요약, Leiden 커뮤니티 탐지를 분리해 수행한다. 파이프라인용 7B Meno-Lite-0.1은 언어 역량에 집중하도록 학습했다. 의료 GraphRAG-Bench에서 사실 수준별 맥락 회수율을 최대 0.84까지 보고했다.
SEED: Self-Evolving On-Policy Distillation for Agentic Reinforcement Learning
SEED는 희소한 결과 보상만으로는 중간 의사결정을 지도하기 어렵다는 문제를 다룬다. 완료 궤적에서 재사용 가능한 워크플로·관찰·실패회피 규칙을 자연어 스킬로 뽑는다. 정책은 일반 문맥과 스킬 증강 문맥의 행동 확률 차이를 토큰 수준 증류 신호로 바꿔 결과 보상 RL과 함께 최적화한다. 텍스트·비전 기반 에이전트 과제에서 성능과 표본 효율, 미지 시나리오 일반화 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 짧은 최종 결과만 보는 기존 터미널 평가의 빈틈을 겨냥한다. 9개 범주 46개 과제를 세부 채점 하위 과제로 나누어 중간 진척과 부분 점수를 측정한다. 과제는 수백 에피소드와 수분~수시간 실행을 요구하도록 구성됐다. 평가한 최강 모델도 완전 보상 기준 pass@1은 10.9%였다고 보고한다.
원문 보기 ↗Scaling Mixture-of-Experts Video Pretraining for Embodied Intelligence
이 논문은 영상 생성 모델의 시각 충실도 중심 학습이 로봇 제어와 어긋날 수 있다는 문제에서 출발한다. MoE 기반 비디오 사전학습을 체화 지능에 맞게 확장하는 방법을 제안한다. 초록은 대규모 비디오 사전학습과 로봇 작업 연결을 주요 방향으로 제시한다. 구체적 성능 수치는 제공된 초록 발췌에서 확인되지 않는다.
원문 보기 ↗KnowAct-GUIClaw: Know Deeply, Act Perfectly, Personal GUI Assistant with Self-Evolving Memory and Skill
KnowAct-GUIClaw는 복잡한 자동화 프레임워크의 크로스플랫폼 GUI 상호작용과 자기진화 부족을 겨냥한다. 개인 GUI 보조자가 지식·메모리·스킬을 함께 축적하고 갱신하는 방향을 제시한다. 이 구조는 다양한 기기 환경에 적응하는 것을 목표로 한다. 제공된 초록 발췌에는 비교 실험의 구체 수치가 없다.
Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories
Xiaomi-Robotics-1은 보지 못한 환경에서도 언어 지시에 따라 모바일 조작을 수행하는 VLA 기반 모델을 제시한다. 실제 세계 궤적을 대규모로 사용해 다양한 조작 작업을 다룬다. 또한 새 작업에 효율적으로 적응하는 것을 모델의 목표로 둔다. 제공된 초록 발췌는 10만 시간 이상 실세계 궤적을 데이터 규모로 제시한다.
원문 보기 ↗Knowing the Self, Understanding the World: A Dual-Cognition Benchmark for UAV Spatio-temporal Reasoning with MLLMs
UAV-DualCog는 드론 에이전트가 자기 상태와 외부 환경을 다중 시점·시간 맥락에서 함께 추론하는지 평가한다. 장면 의미 점군에서 자동 파이프라인으로 데이터셋을 만든다. 평가는 현 MLLM이 시점 변환·공간 접지·시간 구간 위치 찾기에서 여전히 취약함을 보인다. 분리 장면으로 구성한 학습 데이터는 구조화 감독으로도 쓸 수 있음을 보였다.
MotionForesight: Re-purposing Video Models for Future 3D Scene-Flow Prediction
MotionForesight는 짧은 사람-물체 상호작용 영상에서 조작 물체 점의 미래 3D 궤적을 예측한다. 사전학습 비디오 모델의 움직임 사전지식을 픽셀 예측 대신 장면 흐름으로 전용한다. 완전 영상에서 의사 정답 추적을 만들고, 큰 비디오·추적 모듈은 고정한 채 경량 어댑터를 학습한다. 언어 등 보조 입력 없이 4만 개 영상으로 대규모 학습 모델보다 우수했다고 보고한다.
FVAttn: Adaptive Sparse Attention with Runtime Load Balancing for Video Generation
FVAttn은 고해상도 비디오 생성에서 긴 시공간 시퀀스의 어텐션 병목을 다룬다. Top-p 라우팅과 안전용 Top-k, 비디오 블록 구성으로 희소 마스크를 만들고 실행 중 이를 보정한다. 무거운 헤드를 P2P로 옮기고 남는 자원에는 가치 높은 블록을 배치한다. Wan2.2 I2V에서 FlashAttention 대비 어텐션 4.41배 가속을 보고한다.