오늘의 연구 흐름은 거대 모델 자체의 확장과 이를 실제 작업·로봇·창작 과정에 연결하는 시스템 설계가 함께 두드러진다. Kimi K3와 Frontis-MA1은 장기 실행 및 모델 개발 자동화에 초점을 맞췄고, TurboVLA는 언어모델 중심 경로를 줄여 로봇 제어의 지연과 메모리 사용을 낮추려 한다. 제품·산업 소식에서는 Google의 Gemini Robotics 2 공개와 Microsoft의 실시간 양방향 음성 AI 테스트, NVIDIA의 Cosmos3 4단계 증류 모델 발표가 포착됐다. 연구 측면에서는 제한된 컨텍스트에서의 추론 재개와 과학 도구를 스스로 확장하는 에이전트가 새 과제로 제시됐다. 종합하면 오늘은 고성능 모델의 규모 경쟁보다, 실행 가능한 중간표현·도구·메모리를 통해 신뢰성 있는 작업 흐름을 만드는 방향이 선명하다.
2.8조 매개변수 MoE 모델 Kimi K3를 제시하며, 토큰마다 896개 전문가 중 16개를 활성화한다. Delta Attention·Attention Residuals와 Stable LatentMoE를 결합해 긴 시퀀스와 깊은 모델에서의 정보 흐름을 다룬다. 일반·에이전트·코딩 영역의 강화학습과 100만 토큰 컨텍스트를 함께 사용한다. 저자들은 장기 코딩, 에이전트, 지식·추론·비전 평가에서 프런티어 수준 성능을 보고하며 가중치를 공개한다.
원문 보기 ↗Frontis-MA1은 머신러닝 엔지니어링을 AI가 개선하는 재귀적 자기개선 연구를 위한 35B 에이전트다. OpenMLE-Gym·RL·Evo로 구성한 실행 피드백 환경에서 Draft, Improve, Debug, Crossover 네 연산자를 학습·조합한다. 실행 기반 SFT와 RL, 장기 탐색을 한 루프로 연결해 프로그램 진화를 수행한다. 저자들은 제한된 하드웨어 예산의 벤치마크 및 별도 NatureBench Lite에서 성능 향상을 보고했다.
원문 보기 ↗TurboVLA는 영상·언어를 거대 언어모델의 표현 공간에 거치는 기존 V→L→A 경로 대신 V+L→A 직접 매핑을 제안한다. 시각 관측과 언어 지시를 독립적으로 인코딩하고, 가벼운 양방향 상호작용으로 정보를 교환한 뒤 연속 행동 청크를 예측한다. 이 구성은 정책 호출 시의 계산과 메모리 부담을 줄이는 것을 목표로 한다. LIBERO에서 훨씬 큰 VLA 정책과 맞먹거나 앞서는 결과를 보고한다.
원문 보기 ↗JarvisHub는 단발성 생성이 아닌 장기 멀티모달 창작 프로젝트의 상태를 다루기 위한 오픈 실행 환경이다. 편집 가능한 캔버스를 작업공간·외부 메모리·행동 공간·공유 프로젝트 상태로 동시에 취급한다. 이미지·영상·오디오·UI 등 산출물과 의존성, 버전, 피드백을 타입이 있는 노드와 링크로 표현한다. 캔버스 상태·프로토콜 브리지·에이전트 런타임의 세 계층으로, 사용자가 과정에 개입할 수 있는 자동화를 지향한다.
VideoCoCo는 텍스트만으로 시간적 물리 변화를 추론하기 어려운 영상 생성 문제를 다룬다. 코딩 에이전트가 프롬프트에서 장면과 시간 변화를 명시한 Blender 프로그램을 만들고 시뮬레이터가 결정론적 초안을 생성한다. 생성형 비디오 엔진은 이 초안을 조건으로 사실적 영상으로 편집한다. 저자들은 실행 가능한 코드가 제어·검증 가능한 중간표현이 될 수 있음을 두 벤치마크 수치로 제시한다.
ReDesign은 래스터 이미지로부터 타이포그래피, 벡터 도형, 색, 그룹, 레이어 순서를 포함한 편집 가능한 디자인 파일을 복원한다. 에이전트가 모달리티별 전문 도구를 선택·조합해 레이어 계층을 확장한다. 각 확장 단계에서 수용·제거·재시도 신호를 주는 검증으로 오류 누적과 대규모 재실행을 억제한다. 909개 Figma 원본과 14,796개 편집 지시로 만든 벤치마크에서 편집 가능성을 평가했다.
원문 보기 ↗Mage-VL은 오프라인 시각 추론에 비해 스트리밍 인지를 비효율적으로 처리하는 VLM의 한계를 겨냥한다. Mage-ViT는 균일한 프레임 샘플링 대신 모션 벡터와 잔차 에너지로 동적·정보량 높은 영역을 선택 인코딩한다. 가벼운 이벤트 게이트와 인과 디코더의 이중 시스템으로 스트리밍 인지를 구성한다. 저자들은 시각 토큰을 줄이면서 정적 과제와 비디오·공간 이해 평가를 제시한다.
원문 보기 ↗Molt는 에이전트 강화학습에서 알고리즘·추정기·롤아웃 단계를 자주 바꿔야 하는 연구자의 변경 비용을 낮추려는 PyTorch 네이티브 프레임워크다. 전체 알고리즘 흐름을 추적하고 바꾸기 쉬운 작은 코드베이스를 목표로 한다. 하나의 비동기 루프가 멀티모달 및 MoE 정책을 학습하며, 에이전트가 생성하지 않은 토큰으로 학습하지 않도록 설계했다. 저자들은 동일한 완전 비동기 프로토콜에서 Megatron 기반 최신 스택과 통계적으로 비슷한 성능을 보고한다.
원문 보기 ↗이 연구는 자율 연구 생성 시스템이 만든 논문의 품질을 비교하기 위한 자동 동료심사 벤치마킹 절차를 제안한다. 독창성·과학적 엄밀성·명료성·중요성 네 차원에서 세 독립 LLM 심사자를 사용한다. 15개 연구 제안에서 생성한 60편과 FARS 벤치마크 15편을 함께 평가했다. 결과는 심사 모델 간 일치도와 모델별 차이를 함께 제시하며, 자동 평가의 범위와 한계를 드러낸다.
원문 보기 ↗ThinkReset은 긴 추론이 컨텍스트 한계에 닿을 때 과거를 단순 압축하는 대신 재사용 가능한 중간 인터페이스를 쓰자는 접근이다. 인터페이스를 기록한 뒤 리셋하고, 리셋 이후의 문제 해결 성공을 직접 최적화한다. 저자들은 결과 보상 중심 장기 추론이 막판의 성급한 추측을 유도할 수 있다는 실패 양식을 지적한다. 여러 장기 추론 벤치마크에서 고정 컨텍스트 창 조건의 성공률 향상을 보고한다.
SciToolAgent-Evo는 고정된 도구 목록에 묶인 과학 에이전트 대신, 새 도구를 획득하고 지식을 갱신하는 구조를 제안한다. 스킬·경험·온톨로지화한 도구 그래프를 메모리로 축적하고, 대조적 궤적에서 일반화 가능한 지식을 뽑는다. 추론 때는 능동 요청과 LinUCB 기반 게이트로 탐색과 활용의 균형을 잡고, 새 도구의 과학 온톨로지를 온라인으로 완성한다. 4단계 난이도의 900개 현실형 과제로 구성한 OpenSciToolBench에서 결과를 보고한다.