오늘 논문 흐름은 장기 상호작용 월드 모델과 비디오 이해·생성의 실시간화, 그리고 에이전트가 경험과 근거 상태를 축적하는 구조에 모인다. 단일 GPU 월드 롤아웃, 플레이 속도 렌더링, 대규모 실세계 로봇 궤적처럼 배포 조건을 수치로 드러낸 연구가 함께 제시됐다. 제품·산업 쪽에서는 OpenAI의 ChatGPT Health 출시와 음성 기능 확장, Anthropic의 Claude 음성 모드 강화, 업무 맥락을 저장하는 AI 워크스페이스 발표이 확인된다. 새 발표들은 모델 자체뿐 아니라 도구 연결·개인화·지속 메모리를 제품 표면으로 옮기고 있다. 결론적으로 오늘은 생성·이해 모델을 실제 상호작용과 작업 흐름에 붙이는 구현 조건이 핵심이다.
ABot-World-0: Infinite Interactive World Rollout on a Single Desktop GPU
행동 조건 비디오 월드 모델을 실시간·장기 폐루프 상호작용에 적용한다. AAA 게임·시뮬레이션·인터넷 비디오를 아우르는 데이터로 제어 가능한 월드 동역학을 학습한다. 양방향 교사를 인과 학생으로 증류하고 LongForcing으로 긴 자기 롤아웃의 분포 이동과 드리프트를 줄인다. WorldRoamBench와 확장 롤아웃에서 제어성과 장기 일관성을 평가했다.
VideoChat3: Fully Open Video MLLM for Efficient and Generalist Video Understanding
VideoChat3는 일반·장편·스트리밍 비디오에서 모두 작동하는 완전 공개 비디오 중심 MLLM을 제시한다. I3D-ViT와 적응형 프레임 해상도로 시공간 표현 비용을 낮춘다. 데이터 합성 파이프라인은 서로 다른 세 시나리오를 포괄하는 학습 데이터셋을 구축한다. 일반·장편·스트리밍 벤치마크에서 동급 또는 더 큰 공개 모델을 앞섰다고 보고한다.
RESOURCE2SKILL: Distilling Executable Agent Skills from Human-Created Multimodal Resources
RESOURCE2SKILL은 튜토리얼 영상·저장소·글·참고 산출물을 실행 가능한 소프트웨어 에이전트 스킬로 바꾼다. 스킬 위키에는 구조화 텍스트, 코드, 시각 예시, 메타데이터와 출처를 함께 저장한다. 추론 시 에이전트는 관련 스킬을 검색·조합하고, 부족하면 같은 연산자로 온라인 획득한다. 7개 저작 도메인에서 무스킬 에이전트보다 평균 점수가 올랐다고 보고한다.
KnowAct-GUIClaw: Know Deeply, Act Perfectly, Personal GUI Assistant with Self-Evolving Memory and Skill
KnowAct-GUIClaw는 OpenClaw의 크로스플랫폼 GUI 조작과 지속적 자기개선 한계를 겨냥한다. Know-Route-Act-Reflect 구조가 사용자 상호작용 경험과 지식을 장기 과제 분해·배치에 사용한다. GUI 하위 에이전트는 경험 귀속 메모리와 진화형 스킬 라이브러리를 결합하며, 피드백을 계속 저장한다. Android·iOS·HarmonyOS·Windows 실험 결과를 제시한다.
Generative World Renderer at the Speed of Play
AlayaRenderer-Flash는 물리 엔진이 내보낸 구조화 월드 상태에서 RGB 프레임을 합성하는 렌더러를 실시간화한다. 원래 모델을 소수 단계 자기회귀 스트리밍 모델로 바꾸고 경량 증류 코덱을 사용한다. G-buffer와 텍스트 프롬프트 인터페이스를 유지하면서 길이 제한 없는 입력 스트림을 렌더링한다. 내용 보존·시간 일관성·실행 효율을 평가하고 물리 엔진과 결합한 플레이 가능 월드를 제시한다.
SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration
SearchOS는 검색 이력이 길어질 때 반복 루프에 빠지는 정보탐색 에이전트 문제를 다룬다. 열린 도메인 탐색을 인용 근거를 갖춘 관계형 스키마 완성으로 정식화한다. Frontier Task·Evidence Graph·Coverage Map·Failure Memory로 진행 상태를 외부화하고, 병렬 스케줄링과 도구 미들웨어로 빈틈을 채운다. WideSearch와 GISA에서 평가한 단일·다중 에이전트 기준선보다 모든 지표에서 앞섰다고 보고한다.
Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories
Xiaomi-Robotics-1은 보지 못한 환경에서 언어 지시를 따르고 적은 미세조정 데이터로 새 과제에 적응하는 VLA 모델이다. 사전학습에서 UMI 장치로 모은 10만 시간 이상 조작 궤적과 자동 언어 라벨을 사용한다. 사후학습은 로봇 몸체와 명령형 지시에 역량을 정렬한다. 시뮬레이션과 실제 로봇 실험에서 데이터·모델 규모 확장이 성능에 전이됨을 제시한다.
Mage-Flow: An Efficient Native-Resolution Foundation Model for Image Generation and Editing
Mage-Flow는 원해상도 이미지 생성과 편집을 위한 기초 모델을 제안한다. 초록은 효율적인 생성과 편집을 목표로 하는 모델 설계를 설명한다. 제시된 실험은 해당 작업에서 모델을 평가하는 구성이다. 여기서는 초록에 명시된 범위를 넘는 성능 수치를 추가하지 않는다.
원문 보기 ↗3D-Aware VLMs with Implicit and Explicit Geometries
VLM-IE3D는 2D 입력 기반 VLM의 세밀한 3D 공간 이해 한계를 다룬다. RGB 비디오에서 고수준 기하 사전을 담는 암묵 기하 토큰과 재구성 3D 속성의 명시 기하 토큰을 얻는다. 3D 인식 어댑터가 두 표현과 2D 시각 단서를 결합한다. 추가 3D 입력 없이 여러 3D 과제에서 우수 성능을 보고한다.
Streaming Multi-Agent Autoregressive Diffusion Model with World State Registers
WorldWeaver는 여러 에이전트와 시점에서 지속되는 세계 상태를 유지하는 비디오 확산 모델이다. 생성 청크마다 갱신되는 학습 가능 레지스터가 공유 세계 정보와 개별 에이전트 상태를 저장한다. 개별 상태·조감도·장면 텍스트의 감독 신호와 세계 상태·영상 모델링을 나눈 Mixture-of-Transformers를 사용한다. 두 에이전트 Minecraft 생성에서 논리적 일관성과 품질 개선을 보고한다.
Unified Video Dense Prediction from Disjoint Data
UniD는 서로 다른 데이터셋에 흩어진 장면 속성을 하나의 비디오 모델로 예측한다. 과제별 전문가가 경량 프로젝터를 통해 통합 백본을 감독해 공통 주석이나 의사라벨을 피한다. 사전학습 확산 모델의 시각 사전이 분리 데이터의 도메인 간극을 잇는다는 가설을 사용한다. 과제별 전문가와 다중과제 기준선에 경쟁력 있는 성능, OOD 일반화와 시간적 일관성을 보고한다.