리서치 레이더

기관 리서치

Google DeepMind

• 신규 없음 (RSS 최신 항목은 "Gemini Omni 1.1 Flash lets you build with more control", 2026-08-27로 커버 범위 이전)

Google Research

• TimesFM-3: A zero-shot foundation model for multivariate forecasting — 3.3억 파라미터 시계열 예측 파운데이션 모델의 최신판으로, 기존 버전이 단변량 예측에 국한됐던 것과 달리 다변량 예측을 네이티브로 지원한다. 연관 시계열과 프로모션·날씨 예보처럼 미리 알려진 미래 정보를 함께 반영해 예측 정확도를 높인다. — 링크

OpenAI

• 신규 없음 (RSS 최신 6건이 모두 Product/Company 카테고리이며 Research/Publication 카테고리 신규 항목 없음)

Anthropic

• 신규 없음 (연구 페이지 최신 항목은 "Automated researchers can reliably mitigate alignment failures", 2026-08-28로 커버 범위 이전)

Meta FAIR / Meta AI

• 신규 없음 (블로그 최신 항목이 2026-07 하순 이후 갱신 없음)

Microsoft Research

• GigaPath-Flash and GigaTIME-Flash: Toward population-scale discovery with efficient pathology foundation models — 계산 비용을 대폭 줄이면서 성능은 유지한 경량 병리학 파운데이션 모델. 기존 GigaPath 대비 약 50배 적은 연산으로 경쟁력 있는 성능을 달성해 더 큰 규모의 연구와 폭넓은 질병·바이오마커 탐색을 가능케 한다. 저자들은 연구용 모델이며 임상 사용에는 검증되지 않았다고 명시한다. — 링크

NVIDIA Research

• 신규 없음 (publications 페이지는 컨퍼런스 발표일 기준 정렬이라 신규 게시 판단에 부적합했고, 보조 확인한 blogs.nvidia.com/feed/도 커버 범위 이전인 2026-08-27까지만 확인됨)

Apple ML Research

• 신규 없음 (RSS 최신 항목이 2026-08-28로 커버 범위 이전, 이후 갱신 없음)

arXiv 신규

AI Agents

• Logos: An Agent Harness on a Cross-Process Bus (2608.28553) — 단일 프로세스에서 모든 플러그인 상태를 공유하는 기존 에이전트 하네스 구조 대신, 각 플러그인을 별도 프로세스로 두고 append-only transcript만 공유하는 ROS 스타일 하네스를 제안한다. 툴콜 사이클의 4개 경계에서 강제로 프로세스를 죽여도 80개 세션이 재개 효과 중복 없이 복구되며, 단일 프로세스 구성과 비교해 장애가 다른 세션까지 번지지 않는다.
  • 관련 주제: AI Agents
• EvoUndo: Recoverability-Constrained Self-Evolution for LLM Agent Harnesses (2608.28363) — 런타임에 자기 프롬프트·툴·하네스를 스스로 수정하는 에이전트가 남기는 되돌릴 수 없는 부작용을 다룬다. 600개 자기진화 태스크 중 197개의 "능력은 개선되지만 복구 불가능한" 변이를 찾아내고, 상태 그라운딩과 복구 언어(recovery-language) 표현력을 함께 설계해야 복구율이 0%에서 최대 99.3%까지 오른다는 것을 보인다.
  • 관련 주제: AI Agents
• CURA: Certified Runtime Alarms for Computer-Use Agents (2608.27808) — OSWorld 361개 태스크에서 컴퓨터 사용 에이전트가 71개 실패 중 64개(90%)에서 스스로 "성공"이라 보고하는 self-report 실패를 지적하고, 하네스 텔레메트리만 읽는 외부 CUSUM 모니터로 실패의 42.3%를 평균 31스텝 전에 인증된 오탐률(0.066)로 탐지한다. 중도 개입으로 전체 성공률을 86.8까지 끌어올린다.
  • 관련 주제: AI Agents
• Finding Where the Buck Stops (DoCtOR) (2608.28264) — 멀티에이전트 실패 시 모든 에이전트가 반성하면 정상 동작한 에이전트의 기억까지 오염된다는 문제를 짚고, 결정적 오류를 낸 한 에이전트만 자동 귀인해 반사실적 추론으로 교정 스텝을 만든 뒤 그 에이전트만 반성시킨다. HotPotQA·ChartQAPro·Mind2Web에서 초기 성공률 대비 22~27%p 개선.
  • 관련 주제: AI Agents

Hypothesis Generation

• MAIL: Memory-driven, Adaptive, Incremental, and Literature-grounded Framework for Hypothesis Generation in Chemistry (2608.28315) — 화학 문헌을 계속 누적·재해석하는 진화하는 개념 경로로 가설 생성을 프레이밍한다. TOMATO-Chem과 자체 구축한 고난도 nature/science 챌린지 데이터셋(HN-NS) 모두에서 기존 정적 영감 코퍼스 방식보다 높은 MIOS/MPOS와 전문가 평가 점수를 얻는다.
  • 관련 주제: Hypothesis Generation
• See, Hypothesize, Validate (MAGE) (2608.27869) — 편미분방정식(PDE) 발견을 관측→가설→반증의 과학적 사이클로 프레이밍한 멀티모달 에이전트 프레임워크. Differential Observer·Phenomenology Extractor·Governing Law Synthesizer·Equation Arbiter 4개 역할 에이전트가 협업해 사전 정의된 함수 라이브러리 없이 지배방정식을 제안하고, 평가된 PDE 세트 8개 중 8개에서 구조를 정확히 복원한다.
  • 관련 주제: Hypothesis Generation, Reasoning

Long-context

• Sliding-window beats linear attention (2608.28444) — 선형 어텐션으로의 리트로핏이 이차 스케일링 문제를 푸는 유망한 대안으로 주목받아 왔지만, 별도 재학습 없이 sink를 곁들인 슬라이딩 윈도우 어텐션(SWA)이 여러 LLM·다운스트림 태스크에서 사후학습된 선형 어텐션과 동등하거나 더 낫다는 것을 보인다. Needle-in-a-Haystack·BABILong 같은 장문맥 추론 과제에서는 SWA가 2~10배 더 높은 성능을 낸다.
  • 관련 주제: Long-context
• LongGuard: Mechanistic Analysis and Training-Free Mitigation of Long-Context Failure in Safety Guardrails (2608.27580) — 안전 가드레일이 짧은 텍스트로만 학습·평가돼 왔다는 점을 지적하며, Safety Needle-in-a-Haystack 설정에서 15개 주요 가드레일의 불안전 리콜이 문맥 길이에 따라 평균 50% 이상 떨어짐을 보인다. 원인은 절대 길이가 아니라 유해 니들의 희석이며, 어텐션→로짓→행동으로 이어지는 메커니즘을 규명하고 학습 없는 완화 기법(Chunked Detection, Attention-Head Sharpening)으로 평균 13~22% 개선한다.
  • 관련 주제: Long-context
• LongPIBench: A Long-Context Benchmark for Prompt Injection (2608.28411) — 기존 프롬프트 인젝션 벤치마크가 대부분 짧은 문맥에 국한돼 방어 효과가 과대평가돼 왔다고 지적하고, 논문 심사·이력서 심사·코드 리뷰·이메일 요약 4개 시나리오에 걸쳐 수천~수만 토큰 길이의 합성·실사용 데이터셋을 구성한다. 단순한 휴리스틱 공격조차 장문맥에서는 최신 방어를 자주 우회한다.
  • 관련 주제: Long-context

Reasoning

• SABER: Stability-Aware Early Exit for LLM Reasoning via Adversarial Branch Probing (2608.27963) — 중간 답이 안정된 뒤에도 계속 추론하는 비효율을 줄이기 위해, 중간 추론 상태 주변에 의미적 교란을 준 "적대적 가지"를 만들어 전체 롤아웃 없이 가벼운 프로빙으로 최종 결과를 추정한다. 가지들의 결과가 일치하면 조기 종료하며, 여러 벤치마크·모델에서 정확도를 유지하며 추론 토큰을 평균 30.2~39.8% 절감한다.
  • 관련 주제: Reasoning
• The Illusion of What If: Evaluating the Breakdown of Counterfactual Reasoning in LLMs (2608.27953) — 고정 변수·단일 정답에 갇힌 기존 반사실추론 벤치마크의 한계를 넘어, STEM·인문사회·혼합 시나리오 220개의 개방형·장기 인과 what-if 질문(WhatIfBench)을 제시한다. 자유형 답변을 사건·상태·메커니즘의 인과 그래프로 변환해 채점하는 PRISM으로 평가한 결과, 최강 모델도 64.62점에 그치며 그럴듯한 서술 뒤에 취약한 인과 과정이 숨어 있음을 보인다.
  • 관련 주제: Reasoning
• VICT: Verifier-Instrumented Credit Tracing for Long-Horizon LLM Agent Reinforcement Learning (2608.28128) — 검증 가능한 태스크의 종단 검증기가 이미 내부적으로 어떤 체크를 통과했는지 알고 있다는 점에 착안해, 검증기가 노출한 증거 원자를 액션까지 의존성 유효 경로로 역추적해 그 경로를 따라서만 크레딧을 재분배한다. 별도 크리틱·과정 라벨·분기 롤아웃 없이 ALFWorld·WebShop에서 결과만 학습하는 방식보다 크게 개선된다.
  • 관련 주제: Reasoning, AI Agents
• Is Monte Carlo Tree Search Just Every-Visit Monte Carlo Control? (2608.27985) — MCTS(선택·확장·시뮬레이션·백업)와 every-visit 몬테카를로 제어(궤적 샘플링·리턴 추정·행동가치 갱신)가 궤적 생성·행동가치 갱신 수준에서는 사실상 같은 절차라는 것을 논증하는 해설 노트. 트리 정책과 롤아웃 정책을 하나의 진화하는 정책의 "학습된 부분/아직 안 배운 부분"으로 재해석하면 MCTS의 4단계가 궤적 샘플링+every-visit MC 갱신 두 연산으로 환원된다.
  • 관련 주제: Reasoning

Paper Radar 채택0보류1탈락1