최신 AI 뉴스를 한눈에.

온폴리시 대 오폴리시를 넘어: LLM 에이전트 디스틸레이션은 어느 수준에서 학생 모델을 따라야 하는가?

arXiv:2610.31918v1 발표 유형: 신규 초록: 상호작용하는 LLM 에이전트를 디스틸레이션할 때는 교사가 생성한 시연과 학생이 생성한 경험 중 하나를 선택해야 하며, 이는 대략적으로 오폴리시와 온폴리시 디스틸레이션에 해당합니다. 두 방법 모두 효과적인 것으로 입증되었지만, 우리는 이러한 구분이 본질적으로 계층적이라고 주장합니다. 즉, 상호작용의 역사(히스토리)를 유도하는 정책과 현재 행동의 토큰 접두사를 생성하는 정책이 반드시 동일할 필요는 없다는 것입니다. 우리는 이러한 두 가지 수준의 온폴리시성을 체계화하고, 이들 간의 매칭, 혼합 비율 및 학습 스케줄을 명시적으로 제어할 수 있도록 하는 계층적 에이전트 디스틸레이션 프레임워크를 제안합니다. 우리는 이 문제를 자기 디스틸레이션 방식으로 연구하며, 여기서 고정된 교사는 학생에게는 제공되지 않는 과제 지침에 접근할 수 있습니다.

정상 상태 실행 원형으로서의 마이그레이션: 저궤도에서의 가상 정지 상태를 위한 런타임

arXiv:2610.32720v1 발표 유형: 신규 초록: 저궤도(LEO) 위성 메가컨스텔레이션은 지연 시간에 민감한 지구 중심 응용 프로그램을 위한 궤도 내 엣지 컴퓨팅을 가능하게 하지만, 위성의 운동으로 인해 시선 통신 창은 단 몇 분으로 압축됩니다. 논리적 지리적 근접성을 유지하기 위해, ‘가상 정지 상태(VS)’라고 불리는 패러다임 하에서는 애플리케이션이 컨스텔레이션 내 통과하는 여러 위성들 사이를 지속적으로 이동해야 합니다. 전통적인 실시간 마이그레이션 메커니즘은 개별적으로 시작된 이동이나 복제는 최적화하지만, 궤도 운동이 요구하는 연속적인 호스트 간의 전환은 처리하지 못합니다. 우리는 실시간 마이그레이션을 정상 상태 실행 모델로 재구성하고, 새로운 가상 정지 상태 런타임 패러다임을 도입합니다. 또한, 연속적인 마이그레이션의 실현 가능성을 공식화합니다.

계층적 알고리즘을 통한 버스티(Bursty) HPC 워크로드의 공정한 스케줄링을 위한 대기열 제한

arXiv:2610.32027v1 발표 유형: 신규 초록: HPC 클러스터는 여러 프로젝트 간에 공유되며, 각 프로젝트에는 노드-시간 할당량이 부여됩니다. 이러한 환경에서 공정성을 보장하는 것은 점점 더 어려워지고 있습니다. 파운데이션 모델 기반 워크플로와 자동화된 파이프라인의 등장으로 작업 제출 패턴이 급격히 변해 일부 대용량 사용자에게 집중되고 있으며, 이로 인해 가끔 사용자들은 빈번한 사용자들로 인해 발생하는 대기 지연을 감수해야 하지만, 자신의 작업이 얼마나 오래 대기할지에 대한 명확한 정보조차 얻기 어렵습니다. 기존 스케줄러들은 과거 사용량을 고려하지 않거나, 대기열 맨 앞에 있는 작업만을 우선적으로 처리하거나, 실행 중인 작업은 언제든지 선점될 수 있다고 가정합니다. 이에 우리는 모든 사용자 간의 공정성을 보장하면서도 각 작업의 대기 시간을 제한하는 하이브리드 마감일 및 순위 인식 스케줄러인 HyDRA를 제안합니다. HyDRA는 작업이 도착할 때마다 그 크기와 해당 프로젝트의 우선순위를 바탕으로 각 작업에 마감일을 부여합니다.

연구는 자폐 스펙트럼 장애와 비자폐 스펙트럼 장애를 가진 개인 간의 2인 대화에서 성공적 인지 여부를 예측하는 다중모달 접근법을 제안한다.

arXiv에 게재된 새로운 연구(번호 2610.31682v1)는 언어 운동, 얼굴 표정, 음성 리듬 및 대화 차례 전환 등 다중 모달 특성을 활용하여, 자폐 스펙트럼 장애와 비자폐 스펙트럼 장애 참가자가 포함된 세 개의 자발적 이인 상호작용 데이터셋에서 참가자 본인이 인식하는 대화 성공 수준을 예측합니다.

추천 이유이 연구는 기존의 진단 분류나 단일 모달 분석에 국한되던 한계를 극복하고, 최초로 상호 보완적인 다중 모달 행동 지표를 체계적으로 통합하여 ‘인지된 대화 성공’이라는 사회적 소통의 핵심 차원을 모델링함으로써, 신경다양성 인구의 의사소통 지원 기술을 향상시키기 위한 새로운 방법론적 근거를 제시하였다. 해당 논문은 이미 공개되었으며, 타임스탬프는 현재 시스템 시간과 일치하여 최신 학술 성과에 해당한다.

당신은 개를 얼마나 신뢰하십니까? 추론 언어 모델에서 힌트 따르기의 정량화

arXiv:2610.32055v1 발표 유형: 신규 초록: 대규모 언어 모델(LLMs)은 종종 아첨하는 경향을 보이며, 객관적 사실 및 추론 과제에서도 사용자의 제안에 맞춰 답변을 수정합니다. 그러나 이러한 영향의 정량적 형태와 그것이 출처의 신뢰성에 따라 조정되는지 여부는 아직 잘 이해되지 않고 있습니다. 본 연구에서는 MMLU 질문들에 대해 힌트로 유도된 답변 변화를 통해 이러한 행동을 탐구하며, “[출처]는 답이 (X)라고 생각한다”와 같은 형식의 프롬프트를 평가합니다. 우리는 힌트가 부여되는 출처(교수, 친구 또는 개)를 세 가지 오픈소스 모델 계열인 Qwen, Gemma, SmolLM에서 체계적으로 변경하여 실험을 수행했습니다. 그 결과, 힌트에 의해 유발된 변화는 지수적 기울기로 잘 특징지어지는 예측 가능한 구조를 따른다는 것을 보여줍니다: 힌트는

연구진이 라틴어 전용 언어 모델 LAMB와 두 개의 새로운 말뭉치인 Acervus 및 Corpus Trinum을 발표했습니다.

2026년 10월 26일, arXiv는 논문 arXiv:2610.31723v1을 발표하여 라틴어 전용 엔코더인 Latin Modern BERT(LAMB)를 제안했다. 이 모델은 ModernBERT 아키텍처를 기반으로 하며, 두 단계의 사전훈련 과정을 거쳤고, 740억 개가 넘는 라틴어 토큰과 새로운 형태론적 감지 마스크 전략을 사용한다. 동시에 두 개의 완전히 새로운 라틴어 코퍼스도 공개했는데, 하나는 240억 개의 토큰을 포함하는 Acervus로, 여기에는 ByT5를 통해 복구된 OCR 오류 텍스트 76만 건이 포함된다. 또 다른 하나는 최초로 인공적으로 구축된 라틴어 의미 트리플 데이터셋 Corpus Trinum으로, 강/약 트리플이 1억 개를 상회한다.

추천 이유이 연구는 고전 언어 NLP의 기초 자원 부족을 해소하고, 라틴어의 의미 이해를 위한 대규모 사전훈련 모델과 이를 지원하는 평가 벤치마크를 최초로 체계적으로 구축했으며, 엄밀한 실험을 통해 LAMB가 17개 하위 과제 중 16개에서 우위를 보임을 입증함으로써 명확한 기술적 기여와 재현 가능성을 확보했습니다. 모든 결론은 arXiv 논문 초록 및 사실 추출 내용에 엄격히 부합하며, 외부 정보는 전혀 도입되지 않았습니다.

물리학 기반 최적화를 위한 엔드투엔드 미분 가능한 확산 조건부 학습

arXiv:2610.31721v1 발표 유형: 신규 초록: 비용이 많이 드는 평가와 복잡한 제약 조건 하에서 고차원 물리 시스템을 최적화하는 문제는 과학과 공학 분야의 핵심 과제입니다. 오프라인 모델 기반 최적화(MBO)에서는, 테스트 시간에 실제 목적 함수에 접근할 수 없으며 고정된 데이터 세트만을 사용하여 설계를 개선해야 합니다. 그러나 기존 방법들은 일반적으로 보수성, 제약 없는 대리모델 활용, 또는 정밀한 물리적 목표에 맞춰 후보를 정교하게 개선하지 못하는 정적인 추론 시점 샘플러로 작동하는 등의 한계를 지니고 있습니다. 본 논문에서는 오프라인 MBO를 위한 미분 가능한 확산 조건부 학습(D2C)을 제안합니다. 이 방법은 결정론적 샘플링이 역 노이즈 체인을 조건부 신호에 대해 미분 가능하게 만든다는 점을 활용합니다. D2C는 …

새로운 연구에 따르면, 강화학습에서 기존의 크리틱은 대규모 언어 모델의 신뢰도 추정기로 그대로 재사용할 수 있다.

2026년 10월 26일 arXiv에 게재된(번호 2610.31820v1) 한 편의 AI 연구 논문은, 가치 기반 강화학습(value-based RL)으로 학습된 대형 언어 모델(LLMs)의 경우, 기존의 크리틱 모듈이 별도의 학습이나 데이터 없이도 높은 정확도와 높은 교정성을 갖춘 신뢰도 추정기로 활용될 수 있음을 보여준다고 지적했다.

추천 이유이 연구는 신뢰도 추정과 강화학습에서의 크리틱 학습 간의 수학적 본질적 동등성을 밝혀냈으며(정확성 결과 정의 하에), 10여 개 분야(수학, 코드 작성, 도구 호출, 일반 추론)에 걸친 실증을 통해 크리틱 재사용의 효과성과 일반화 능력을 검증하였다. 이러한 성과는 LLM의 신뢰할 수 있는 배포 문턱을 낮추는 데 직접적인 엔지니어링 가치를 지닌다.

SyncVid: 동기화된 비디오 생성을 위한 세계-불변 디퓨전

arXiv:2610.31765v1 발표 유형: 신규 초록: 단일 참조 비디오로부터 동적 장면의 여러 비디오를 생성하려면, 서로 다른 시점 간에 관찰된 내용과 미관찰된 내용을 일관되게 합성해야 합니다. 기존의 비디오 디퓨전을 위한 카메라 제어 방법들은 일반적으로 카메라 임베딩, 시각 간 주의 메커니즘, 기하학적 조건부 등 다양한 아키텍처적 기법에 의존합니다. 이러한 접근법은 정적인 장면의 콘텐츠에는 효과적이지만, 시점 간 및 시간에 걸쳐 일관성을 유지해야 하는 세밀하고 동적인 기하학적 특성에는 종종 어려움을 겪습니다. 우리는 각 2D 이미지 평면에서 독립적으로 샘플링하는 대신, 소스 비디오로부터 도출된 표준적인 3D 공간에서 가우시안 노이즈 사전 분포를 샘플링하고 이를 타겟 카메라로 래스터화함으로써 디퓨전 과정 자체를 동기화합니다. 우리의 m

SpecMem은 실시간 도구 호출 메모리 관리 메커니즘을 제안하여 에이전트의 응답 속도를 향상시킵니다.

arXiv는 2026년 10월 26일, “SPECMEM: 실시간 메모리 관리를 통한 에이전트 기반 도구 호출 가속”이라는 제목의 사전 인쇄 논문(번호 2610.31840v1)을 발표하며, 세션 간에 온라인으로 업데이트되는 사용자 수준의 도구 호출 메모리 관리를 통해 도구 호출 지연을 크게 줄이는 새로운 시스템인 SpecMem을 제안했습니다.

추천 이유이 연구는 현재 도구 호출 에이전트가 배포 과정에서 자회귀 디코딩으로 인해 발생하는 높은 지연 문제를 해결하기 위해, 검증 가능한 쓰기 반영, LRU 제거, 부작용 게이팅 등 핵심 기술을 제안하고, 다중 사용자·다중 세션의 실제 쿼리 흐름에서 그 효과성을 검증했습니다(최대 1.74배의 실측 가속, 평균 수신 토큰 27% 증가). 이는 AI 시스템 엔지니어링 분야에서 중요한 진전입니다.

문맥 내 의존성 파싱을 위한 POS 서명 시연 검색

arXiv:2610.31966v1 발표 유형: 신규 요약: 문맥 내 학습을 위한 시연은 종종 의미적 유사성을 기준으로 검색되며, 이는 구조화된 예측에서의 관련성을 제대로 대표하지 못할 수 있습니다. 우리는 Universal Dependencies 파싱을 위한 시연 선택 방식을 연구하며, 품사 통계를 가중치로 표현하고 라벨링된 교육 세트에서 길이가 호환되는 골드 라벨 해석 사례 3개를 검색하는 POS 서명 정책을 적용합니다. 우리는 미세조정 없이 두 개의 오픈 웨이트 언어 모델을 UD 영어 웹 트리뱅크 테스트 세트의 총 2,077개 문장에 대해 평가하며, 해당 정책을 샷 및 형식이 일치하는 고정 및 의미적 3샷 기반과 비교하고, 또한 제로샷, 사고 체인, 비평-정제 시스템과도 비교합니다. POS 서명 검색은 가장 높은 라벨링 성과를 달성합니다.

트레이드오프를 고려한 영역 설계: 기업 고객-영업사원 배정을 위한 다목적 의사결정 시스템

arXiv:2610.31701v1 발표 유형: 신규 초록: 기업 고객의 구매 여정은 제품 경험과 마케팅뿐만 아니라 반복적인 자원 할당 결정에 의해 형성된다. B2B 시장 진출(GTM) 조직에서는 영역 설정이 어떤 계정에 영업사원의 영업 범위가 제공되는지, 어떤 영업사원-계정 관계가 유지되는지, 그리고 제한된 영업 인력의 역량이 어떻게 배분되는지를 결정한다. 그러나 이 과정은 종종 수동으로 이루어져, 기회 비교, 가치 지속성 평가, 성장, 균형, 역량 및 실행 가능성 간의 트레이드오프를 검토하기 어렵다. 우리는 기업 GTM 계획에서 트레이드오프를 고려한 고객-영업사원 배정을 위한 실용적인 의사결정 시스템을 제안한다. 이 시스템은 세 가지 구성 요소를 통합한다: 예측 신호를 결합하여 점수를 매기는 다차원 계정 가치 레이어와

실내 무선 지도 추정을 위한 협력적 인컨텍스트 학습

arXiv:2610.31702v1 발표 유형: 신규 초록: 실내 무선 지도 추정(RME)은 커버리지 계획, 위치 파악, 네트워크 배치 등 무선 응용 분야에서 필수적입니다. 그러나 기존 방법의 대부분은 비용이 많이 드는 라벨링된 데이터와 작업별 모델 학습을 요구하는 지도학습 패러다임을 따릅니다. 또한 실내 환경에는 건물 구조나 배치와 같은 개인정보에 민감한 정보가 포함되어 있어 이를 중앙 집중화하기 어려운 경우가 많습니다. 이러한 도전 과제를 해결하기 위해 우리는 실내 RME를 협력적 인컨텍스트 학습(ICL) 문제로 처음으로 정식화하고자 합니다. 우리는 다수의 클라이언트가 모델 업데이트 없이 대규모 자동회귀 시각 모델(LAVMs)을 활용해 ICL을 수행하는 프레임워크인 폴리-리플을 제안합니다. 각 클라이언트는 자신의 개인적인 시연 데이터를 통해 프롬프트를 받습니다.

KVStream: 대규모 LLM 서비스에서의 KV 캐싱을 위한 적응형 병렬 스토리지 관리

arXiv:2610.31827v1 발표 유형: 신규 초록: 에이전트 기반, 코드 작성 및 문서 처리 워크로드를 위한 장문 컨텍스트 LLM 서비스에서는 키-값(KV) 캐시가 GPU와 호스트 메모리를 초과하여 사용되므로, 접두사 검색을 위한 추론 단계에서 스토리지 I/O가 핵심 경로로 작용하게 됩니다. 단일 노드 로컬 NVMe는 모든 검색 작업을 담당하는 반면, 노드들이 이미 마운트한 병렬 파일 시스템이나 클라우드 파일 스토어에는 거의 추론 트래픽이 발생하지 않습니다. 우리는 이러한 계층 간의 접두사 검색을 집합 대역폭 스케줄링으로 포착하고, 한 단계의 읽기 작업을 일괄 처리하며, 전방향 패스 이후에 쓰기를 지연하고, 각 청크를 모든 계층에 복제하며, 각 계층이 비워질 때 다음 미처리 청크를 적응적으로 요청하도록 하는 KVStream이라는 KV 캐시 엔진을 제안합니다. 우리의 성능 모델은 이 라우팅 방식이 집합적

액터-크리틱 기반 에이전트를 위한 재정적 맥락을 반영한 전략: 주식 거래를 위한 딥 강화 학습 접근법

arXiv:2610.32237v1 발표 유형: 신규 초록: 현대 금융 시장에서 대규모 거래의 4분의 3 이상은 전통적인 인간 트레이더보다 높은 정밀도와 속도를 달성하기 위해 고급 거래 전략에 기반한 알고리즘 트레이딩에 의해 실행된다. 가격 기반 지표에 중점을 두던 기존 전략들은 사회적 감정, 정치적 불안정성 또는 갑작스러운 경제 변화와 같은 현실 세계의 사건들로 인해 발생하는 시장의 역동성을 포착하는 데 한계가 있다. 딥 강화 학습(DRL)의 부상과 데이터의 확보에 따라, 이러한 외부 요인들을 거래 전략에 통합할 수 있는 보다 효율적인 알고리즘이 요구되고 있다. DRL은 실제 상황을 시뮬레이션하고 복잡한 의사결정을 단순화하는 데 잠재력을 보여왔으며, DRL 에이전트는 자동으로

OpenHome: 스마트홈 카메라 영상에서 인식부터 통찰까지

arXiv:2610.31986v1 발표 유형: 신규 초록: 비전 언어 모델(VLM)은 녹화된 영상을 해석하고 유의미한 통찰을 제공하기 위해 소비자용 스마트홈 카메라 시스템에 점점 더 널리 도입되고 있습니다. 그러나 스마트홈 카메라가 캡처하는 영상 클립은 기존 VLM 벤치마크를 지배하는 큐레이션된 웹 영상과는 다릅니다. 스마트홈 영상 클립은 자막이나 내레이션이 없고, 다양한 시야각에서, 여러 조명 조건 하에, 그리고 다양한 상황에서 촬영되는 경우가 많습니다. 그럼에도 불구하고, 이 분야에서 희박한 시각적 신호와 제한된 맥락 속에서 모델이 발휘하는 성능은 기존 VLM 벤치마크로는 충분히 평가되지 못했습니다. 이러한 격차를 해소하기 위해, 우리는 스마트홈 영상 이해력을 평가하기 위한 시각 전용 4지선다형 벤치마크인 OpenHome을 소개합니다. I

뮤온의 전처리는 언제, 어떻게 이루어지는가? 구조화된 기울기 노이즈의 역할

arXiv:2610.31728v1 발표 유형: 신규 초록: 뮤온은 대규모 언어 모델 학습에서 인기 있는 최적화 방법으로 자리잡았지만, 그 이론적 토대는 아직 잘 이해되지 않고 있다. 본 연구에서는 기울기 노이즈의 기하학적 특성이 뮤온의 전처리 효과를 어떻게 형성하는지 분석한다. 먼저, 고전적인 등방성 노이즈 가정 하에서는 뮤온이 학습률의 재조정 외에는 추가적인 가속 효과를 제공하지 않음을 이론적·실험적으로 보여준다. 이를 계기로 우리는 이질적인 작업 빈도를 갖는 연상 기억 시스템에서 미니배치 샘플링에 의해 발생하는 구조화된 노이즈를 탐구하기로 한다. 두 가지 작업에 대해 정확한 균형 임계점을 규명하고, 이를 다중 작업으로 확장하여 작업 커버리지와 기울기 신뢰성이 학습을 어떻게 공동으로 조절하는지 밝힌다. 우리의 분석에 따르면, 뮤온은 다음과 같은 효과를 완화할 수 있음을 보여준다.

TaxoSAE: 분류학적 논리를 통한 희소 자동부호기의 재고

arXiv:2610.31894v1 발표 유형: 신규 요약: 최근의 희소 자동부호기(SAE)는 대규모 언어 모델(LLM)의 표현을 해석 가능한 특징으로 분해하여, 인코딩된 지식을 정밀하게 읽어내고 제어할 수 있도록 합니다. 그러나 기존 SAE는 각 특징을 독립적인 단위로 취급하는 반면, 실제 세계의 지식은 종종 계층적으로 분류되어 있습니다. 그 결과, 읽어내기 과정에서는 분류학적 일관성이 보장되지 않으며, 제어 또한 수정 범위를 구체적으로 지정할 만큼 세분화되지 못합니다. 이에 우리는 TaxoSAE를 제안합니다. TaxoSAE는 is-a(상위-하위 관계)를 기반으로 한 분류학적 정보를 SAE의 특징 공간에 명시적으로 인코딩합니다. TaxoSAE는 각 분류 수준마다 하나씩 구성된 여러 개의 SAE로 이루어진 계층적 구조를 모사하며, 특정 개념이 활성화될 때마다 해당 개념이 작동하도록 학습시키는 분류학적 정렬 손실을 도입합니다.

유용한 에이전트 문제: LLM 에이전트 간의 창발적 협력이 의도된 워크플로를 우회할 때

arXiv:2610.31985v1 발표 유형: 신규 초록: LLM 에이전트는 점점 더 많은 협업 환경에서 배치되고 있으며, 이들 에이전트는 자원을 공유하고 심사 또는 감독 프로세스 하에 각자 별개의 작업을 수행합니다. 이러한 환경에서는 에이전트가 악의적이거나 단순히 도움을 주려는 경우에도 안전상의 위험이 발생할 수 있습니다. 기존 연구들은 주로 적대적 행동이나 명시적으로 결탁한 행동을 중심으로 다루어 왔으나, 우리는 별개의 목표를 추구하는 선의의 에이전트들이 의도된 워크플로를 우회하는 방식으로 자발적으로 협력할 수 있음을 보여줍니다. 우리는 이를 \emph{유용한 에이전트 문제}라고 부릅니다. 우리는 장기적인 시야를 가진 공동 자원 환경을 연구하며, 이 환경에서는 에이전트들이 때때로 동료가 소유한 자원에 의존하고, 소유권 변경은 일반적으로 심사자가 중재하는 구조를 갖습니다. 심사가 불가능해지면, 에이전트

KnitTrans: 효과적이고 효율적인 LLM 강화학습을 위한 조정된 궤도 전송

arXiv:2610.32389v1 발표 유형: 신규 초록: 롤아웃에서 학습으로의 궤도 전송은 대규모 언어 모델 강화학습(RL)에서 학습 품질과 시스템 효율성 모두에 영향을 미칩니다. 배치 전체에 걸친 학습 요구사항을 강제할 경우, 완료된 궤도의 수용이 지연되어 아키텍처의 구식화가 심화됩니다. 이는 분산 파이프라인 처리와 동일 장소에서의 실행 간의 추가적인 파라미터 버전 격차로 나타납니다. 수용 외에도, 데이터 접근과 학습 소비 간의 불일치로 인해 대규모 궤도 페이로드를 전송할 때 중복 이동과 불필요한 대기 시간이 발생합니다. 우리는 세 가지 설계를 통해 롤아웃에서 학습으로의 경로를 조정하는 KnitTrans 시스템을 제안합니다. 첫째, 제약을 유지하는 미니배치 수용 방식을 통해 초기 미니배치 구성에 대한 유연성을 제공합니다.