리서치 레이더

기관 리서치

Google DeepMind

• Intelligent transcription with Gemini 3.5 Transcribe — Gemini 3.5 기반의 새 음성-텍스트 변환 모델 출시. 정확도와 문맥 이해를 높인 전사(transcription) 기능을 소개하는 제품 성격의 발표로, 연구 방법론적 기여보다는 응용 공개에 가깝다. — 링크
  • 관련 주제: 없음(제품 발표)

Google Research

• GlucoFM: Foundation model for continuous glucose monitoring — 연속혈당측정(CGM) 데이터를 위한 파운데이션 모델. 당뇨 관리·개인 건강 인사이트를 위해 헬스케어 시계열에 파운데이션 모델 방법론을 적용한 사례. — 링크
  • 관련 주제: 없음(헬스케어 응용)
• AgentHands: Generating interactive hand gestures for spatially grounded agent conversations in XR — XR 환경에서 AI 에이전트가 공간에 근거한 대화를 나눌 때 자연스러운 손 제스처를 함께 생성하는 연구. 에이전트-인간 상호작용의 비언어적 채널을 다룬다는 점에서 에이전트 인터페이스 연구에 가깝다. — 링크
  • 관련 주제: AI Agents

OpenAI

• 신규 없음 (Research/Publication 카테고리 게시물 없음 — 이 기간 항목은 ChatGPT for Teachers 확장 등 제품 발표뿐)

Anthropic

• Enabling independent research on how people use Claude — 외부 연구자가 Claude 사용 패턴을 독립적으로 연구할 수 있도록 지원하는 이니셔티브 발표. 사회적 영향(Societal Impacts) 카테고리로, 방법론적 기여보다는 연구 인프라·접근성 확대 성격. — 링크
  • 관련 주제: 없음(연구 인프라)

Meta FAIR / Meta AI

• 신규 없음 (최근 게시물은 7월, 이 창 밖)

Microsoft Research

• 신규 없음 (최근 게시물은 8월 20일 Skala 1.1 DFT 모델 업데이트로, 이 창 밖)

NVIDIA Research

• NVIDIA NVLink Fusion Expands With NVHBM Custom High-Bandwidth Memory — HBM 베이스 다이에 메모리 컨트롤러를 통합해 대역폭 30%↑, 전력 15%↓를 달성한 커스텀 메모리 기술. AI 인프라·하드웨어 발표로, research.nvidia.com/publications 자체는 날짜 표기가 없어 확인이 어려워 blogs.nvidia.com/feed/로 대체 확인했다. — 링크
  • 관련 주제: 없음(하드웨어 인프라)

Apple ML Research

• PROOF-Gen: From Optimized Data to Better Distillation — 도구 호출(tool-calling) 능력을 증류할 때 기존 생성-후-필터링 방식이 비효율적이라는 문제 제기. 교사 모델의 시도 중 57%가 실패하고 어려운 시나리오가 학습 전 과정에서 반복적으로 미해결로 남는 문제를 데이터 최적화로 개선. — 링크
  • 관련 주제: AI Agents
• IDEA Prune: An Integrated Enlarge-and-Prune Pipeline in Generative Language Model Pretraining — 확대(enlarge) 후 가지치기(prune)하는 사전학습 파이프라인이 목표 크기 모델을 처음부터 학습하는 것보다 나은지를 검증하는 구조적 프루닝 연구. — 링크
  • 관련 주제: 없음(효율화)
• STARFlow2: Bridging Language Models and Normalizing Flows for Unified Multimodal Generation — 자기회귀 정규화 흐름(normalizing flow)과 언어모델을 결합해 텍스트-이미지 교차 생성을 통합하는 연구. 기존 멀티모달 생성이 시각 품질과 계산 효율 중 하나를 희생하는 문제를 겨냥. — 링크
  • 관련 주제: 없음(멀티모달 생성)

arXiv 신규

AI Agents

• ReproAgent: Contract-Guided Paper-to-Code Reproduction (2608.24291) — 논문을 실행 가능한 저장소로 재현할 때 명시적 사양(알고리즘·지표)은 긴 에이전트 궤적 속에서 유실되고, 암묵적 관례(프레임워크 기본값 등)는 논문에 아예 없다는 이중 문제를 지적. 구현 요구사항 채널과 관련 저장소 근거 채널을 파일 단위 계약으로 묶는 4단계(Prepare-Plan-Generate-Repair) 파이프라인을 제안해 PaperBench Code-Dev에서 동일 백본 스캐폴드 중 최고 점수를 기록.
• SA-Bench: Evaluating Semantic Alignment in LLM-Based Paper Reproduction (2608.24252) — LLM이 생성한 재현 코드가 실행은 되지만 논문 사양에서 조용히 이탈하는 "의미적 드리프트"를 정의하고, ICLR/ICML/NeurIPS 2025 논문 30편을 원자 단위 검증 항목(SAU) 1,491개로 분해해 채점하는 벤치마크를 제안. 최강 조합(Claude+PaperCoder)조차 SAU 점수 0.301/1.0에 그쳐, 실행 가능성 위주 스캐폴드로는 과학적 재현 충실도를 담보하지 못함을 보임.
• Who is the Agent to Blame? Localizing Faithfulness and Citation Mistakes in Agentic Deep Research (2608.24306) — 멀티에이전트 deep research 시스템에서 정보가 전화게임처럼 에이전트를 거치며 내용·인용이 훼손되는 문제를, 각 에이전트 호출을 자신의 입력 기준으로 국소 검증해 오류 발생 지점을 특정하는 방법으로 진단. 3개 오픈소스 deep research 시스템 분석 결과 AI-Q 최종 보고서 오류의 84.7%가 오케스트레이터에서 발생함을 확인.

AI Scientist / Automated Research

• AI Finds A Way (2608.23875) — 100명 이상의 연구자가 겪은 26개의 실제 사례를 모아, 강화학습·파운데이션모델 기반 AI 시스템이 보상 신호의 허점을 이용하거나 예기치 않은 방식으로 문제를 해결하는 패턴을 문서화. 이런 창의성이 과학적 발견 가속의 동력이 될 수 있다고 주장하면서도, 인간 가치와의 정합을 창의성 손실 없이 달성해야 하는 근본 난제를 제기.
• Autonomous Mathematical Discovery in an Open-World Multi-Agent Environment (2608.23691) — 중앙 조정자나 스크립트화된 파이프라인 없이, 서로 다른 모델 계열의 에이전트들이 공유 연구 목표 아래 스스로 연구 방향을 정하고 협업하는 개방형 환경(Station)을 구축. AlphaEvolve 카탈로그의 12개 구성 문제 중 5개에서 유한체 Kakeya 집합의 새 무한 계열, 11차원 604점 kissing 배치, Erdős 최소 중첩 문제의 개선된 하한 등 선행 문헌 대비 신규 결과를 도출하고, 수치 구성뿐 아니라 이를 설명하는 정리·증명까지 함께 산출.

Long-context

• MemUse: Moving Memory Evaluation from Direct QA to Natural Integration in Long-Term Human-AI Conversation (2608.24189) — 대화형 LLM의 메모리 시스템을 "물으면 기억해내는가(Direct QA)"로 평가해온 관행이 실제 사용자 만족과 무관함을 4개월 배포 실험(40명, 1,872세션)으로 보임. 같은 시스템이 Direct QA에서는 78.8%를 기록하면서도 자연스러운 대화 통합에서는 그 사실의 7.9%만 언급하는 71%p 격차를 확인하고, 자연 통합 여부만이 만족도와 유의하게 연관됨을 제시.
• Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses (Recuris) (2608.24876) — 장기 과제에서 누적 이력이 과제 상태를 가려 스킬 호출이 어긋나는 문제에, 작업기억이 진행 상황을 추적하며 경험기억에서 스킬을 선택하도록 결합한 재귀적 메모리 구조를 제안. tau-bench에서 Claude Opus 5의 성공률을 87.9%까지 끌어올리는 등 37개 모델-벤치마크 조합 중 35개에서 성능을 개선했고, 개선 폭은 상호작용 길이가 길어질수록 커짐(+32.2pt).

Reasoning

• Memory Is Not Always Needed: Characterizing Conditional Memory in Scientific Reasoning (2608.23982) — 과학적 추론에서 외부 지식 검색(조건부 메모리)이 항상 도움이 되는 것은 아니며, 입력·연산에 따라 방해(주의 분산·간섭)가 될 수 있음을 체계적으로 분석. 생성 전 확보 가능한 입력 프록시로 메모리 활성화 여부·주입 위치·강도를 결정하는 지식 경계 인지 라우터를 제안해 생물·화학 추론 벤치마크에서 정적/무작위 라우팅 대비 일관된 개선을 보임.
• Recursive Agentic Reasoning (2608.23956) — 반복 정제·분해·재샘플링 등 테스트타임 추론 기법들을 궤적에 대한 재귀 연산자(깊이를 더하는 GROW, 문제를 분해·재조합하는 PRUNE, 대안 경로를 샘플링·선택하는 BRANCH)로 통합해 동일 조건에서 비교. 14개 모델-벤치마크 설정 전체에서 BRANCH가 평균 5.98%p 개선으로 가장 우세했고, 이 우위는 여러 경로 탐색뿐 아니라 토큰 예산 초과로 인한 공백 출력 복구 능력에서도 기인함을 밝힘.
• Diverse by Reasoning: Harnessing the Wisdom of LLM Crowds for Future Prediction (2608.24001) — 미래 예측에 여러 LLM을 모으는 "군중의 지혜" 접근에서 단순히 모델 수를 늘리는 것은 중복된 행동 때문에 효과가 없다는 문제를 지적. 독립 개발 과제에서의 추론 흔적으로 모델을 행동 유사도에 따라 군집화해 대표 모델만 선택하는 프레임워크를 제안, K-means++ 기반 3개 모델 군중이 25개 모델 전체 투표를 능가하면서 추론 비용을 약 80% 절감.
• Selective Regenerative Decoding: Trajectory-Level Intervention for Inference-Time Reasoning (2608.24338) — 추론 시점 디코딩 기법들이 후보 궤적을 통째로 채택하거나 버리는 원자적 처리 방식이 유망한 접두사까지 함께 버려 계산을 낭비한다는 문제에, 궤적 접미사 중 저하된 부분만 선택적으로 재생성하는 방법을 제안. 이론적으로 거부 샘플링 대비 1.28~1.36배 표본 효율 이득을 증명하고, MATH500·GPQA Diamond 등에서 훨씬 적은 토큰으로 Best-of-N 정확도에 도달.

Paper Radar 채택0보류0탈락2