2026년 7월 22일 · KST 09:00 기준
오늘의 연구 흐름은 비디오 이해에서 시간 근거를 찾고, 사람의 멀티모달 자료를 에이전트 스킬로 바꾸며, 장기 터미널 작업을 더 촘촘히 평가하려는 방향으로 모인다. 공개 비디오 MLLM·GraphRAG·자기진화 에이전트처럼 효율과 재현성을 함께 다루는 제안이 상위 논문에 포함됐다. 제품·산업 소식에서는 OpenAI의 소규모 사업자 프로그램과 모델 평가 중 발생한 보안 사고 공동 대응, 그리고 메타의 AI 취침 이야기 앱 시험이 확인됐다. 국내에서는 모두의 AI 서비스 사업 설명과 AI 에이전트 오케스트레이션 계층의 토큰 절감 기술이 보도됐다. 결론적으로 오늘은 모델 자체의 규모 경쟁보다 실제 작업 흐름·운영 비용·평가와 신뢰성에 초점이 이동하는 하루다.
VideoChat3: Fully Open Video MLLM for Efficient and Generalist Video Understanding
VideoChat3는 다양한 비디오 유형에서의 일반화, 처리 비용, 재현성 부족을 함께 다룬 완전 공개 비디오 중심 MLLM이다. I3D-ViT와 스트리밍 영상용 적응형 프레임 해상도로 시공간 표현과 입력 처리 비용을 조정한다. 일반·장편·스트리밍 장면을 포괄하는 세 합성 데이터셋으로 학습하며, 4B 파라미터에서 동급 또는 더 큰 기존 공개 모델을 여러 벤치마크에서 앞섰다고 보고한다.
원문 보기 ↗TimeLens2: Generalist Video Temporal Grounding with Multimodal LLMs
TimeLens2는 영상의 설명뿐 아니라 그 근거가 나타나는 시간 구간들의 집합을 예측하는 문제를 다룬다. 제안 방식은 캡션 기반 후보, 독립 위치 추정, 교차 에이전트 합의, 의미 검증, 경계 정제로 다구간 감독 데이터를 구성한다. 구간 집합에 대한 시간 Wasserstein 보상과 temporal IoU를 함께 사용했고, 2B 모델은 7개 벤치마크에서 동급 기준선을 앞섰으며 4B·8B는 최고 성능을 보고한다.
원문 보기 ↗RESOURCE2SKILL: Distilling Executable Agent Skills from Human-Created Multimodal Resources
RESOURCE2SKILL은 튜토리얼 영상, 저장소, 글, 참고 산출물에 있는 정보를 소프트웨어 에이전트용 실행 스킬로 정제하는 프레임워크다. 계층형 멀티모달 Skill Wiki에 텍스트·코드·시각 예시·메타데이터·출처를 함께 보존하고, 실행 때 관련 스킬을 검색·조합한다. 적용 범위가 부족하면 같은 구축 연산자로 온라인 스킬을 추가하며, 7개 실무 제작 영역에서 무스킬 에이전트보다 평균 종합 점수가 11.9%p 높았다고 제시한다.
RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM
RAGU는 단일 추출 과정에서 생기는 엔터티 잡음과 취약한 검색을 줄이기 위한 오픈소스 GraphRAG 엔진이다. 추출과 통합을 분리하고, 유형화된 두 단계 추출·DBSCAN 중복 제거·LLM 요약·Leiden 커뮤니티 탐지를 조합한다. 논문은 7B Meno-Lite-0.1이 지식그래프 구축에서 Qwen2.5-32B보다 상대 조화평균 12.5% 높았고, Medical 벤치마크의 증거 재현율이 최대 0.84였다고 보고한다.
SEED: Self-Evolving On-Policy Distillation for Agentic Reinforcement Learning
SEED는 장기 상호작용 에이전트 강화학습에서 희소한 궤적 보상과 토큰 단위 학습 사이의 감독 공백을 다룬다. 완료된 온정책 궤적을 분석해 재사용 가능한 작업 흐름과 실패 회피 규칙을 자연어 스킬로 만들고, 이를 정책에 다시 증류한다. 일반·스킬 증강 맥락에서의 행동 확률 차이를 밀집 신호로 바꾸며, 텍스트·비전 기반 에이전트 과제에서 성능과 표본 효율이 일관되게 개선됐다고 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 결과 중심 평가가 놓치는 중간 진전과 부분 해법을 측정하기 위한 터미널 벤치마크다. 실험 재현·소프트웨어 엔지니어링·멀티모달 분석 등을 포함한 46개 과제를 세분화된 하위 과제로 채점해 밀집 보상과 부분 점수를 제공한다. 15개 모델 평가에서 과제당 평균 9.9M 토큰·231회 에피소드·85.3분이 들었고, 가장 강한 모델도 완전 보상 기준 pass@1은 10.9%였다고 보고한다.
원문 보기 ↗Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories
Xiaomi-Robotics-1은 보지 못한 환경에서 언어 지시를 따라 이동 조작을 수행하고, 적은 미세조정 데이터로 새 과제에 적응하도록 설계한 VLA 기반 모델이다. UMI 장비로 수집한 10만 시간 이상 실제 조작 궤적에 장면 상태 변화를 설명하는 자연어를 자동 라벨링해 사전학습하고, 이후 로봇 몸체와 명령에 맞춰 후학습한다. RoboCasa365에서 57.6% 성공률, RoboDojo에서 평균 20.07을 기록해 이전 최고 결과를 넘었다고 제시한다.
KnowAct-GUIClaw: Know Deeply, Act Perfectly, Personal GUI Assistant with Self-Evolving Memory and Skill
KnowAct-GUIClaw는 OpenClaw의 플랫폼 간 GUI 상호작용과 지속적 개선의 한계를 해결하려는 개인 보조 에이전트 프레임워크다. Know-Route-Act-Reflect 방식으로 장기 과제를 분해·배분하고, GUI 하위 에이전트의 경험 귀속 메모리와 자기진화 스킬 라이브러리를 결합한다. Android·iOS·HarmonyOS·Windows 실험에서 Kimi-2.6 기반 GUIClaw가 MobileWorld 장기 과제에서 64.1%를 기록했고, 지식 메모리와 실행 스킬의 모델 간 전이도 보고한다.
The Many Senses of Visual Similarity: A Text-Prompted Image Perceptual Metric
TPIPS는 이미지 유사도가 형태·색 등 어떤 관점으로 묻느냐에 따라 달라진다는 문제를 다룬다. 자유 형식 의미 관점으로 주석된 이미지 삼중항 인간 판단 데이터셋을 만들고, VLM을 미세조정해 텍스트 프롬프트 조건의 유사도 척도를 학습한다. 논문은 이 척도가 인간 지각과 더 잘 맞고 학습 분포 밖에서도 일반화하며, 텍스트 유도 검색과 생성 모델의 세밀한 평가에 활용될 수 있다고 제시한다.
원문 보기 ↗Patch Policy: Efficient Embodied Control via Dense Visual Representations
Patch Policy는 사전학습 ViT의 조밀한 패치 특징을 무거운 VLM 전체 비용 없이 로봇 정책에 쓰는 방법이다. 블록 인과 어텐션 마스크로 시간적 인과성을 유지하면서 관측당 여러 패치 토큰과 상태 정보를 함께 보게 한다. 네 개 시뮬레이션과 세 개 실제 환경 묶음에서 전역 풀링 표현 정책 대비 상대 40% 개선, OpenVLA-OFT 대비 18% 향상을 보고하면서도 파라미터는 약 0.7%만 사용했다고 제시한다.
원문 보기 ↗Automated Discovery Has No Universally Superior Harness
이 연구는 OpenEvolve와 TTT-Discover 같은 자율 발견 하네스를 보편적 해법으로 취급할 수 있는지 점검한다. 아카이브·부모 선택·탐색·예산 배분을 구성 요소로 분해해 30개 예산 동일 하네스를 12개 모델-문제 조합에서 비교했다. 310만 회 이상 LLM 롤아웃과 반복 통계 분석 결과, 어느 고정 하네스도 모든 조합에서 안정적으로 우월하지 않았고 초기 진전을 활용한 적응적 예산 배분이 비교 대상을 앞섰다고 보고한다.
원문 보기 ↗