12 개 뉴스 — 🟡 6 주목 , 🟢 6 흥미
YAN은 Transformer와 Mamba 아키텍처를 Mixture-of-Experts 플로우 매칭 접근법과 결합한 새로운 생성 언어 모델입니다. 3번의 샘플링 단계만으로 자기회귀 모델과 비교 가능한 품질을 달성하며, AR 기준선 대비 40배, 확산 언어 모델 대비 최대 1000배의 속도 향상을 제공합니다. 전역 전송 기하학을 지역 특화 벡터 필드로 분해합니다.
IG-Search는 검색 증강 추론 AI 모델 훈련에 대한 새로운 접근법으로, 단계 수준 보상으로 정보 이득(Information Gain)을 사용합니다. 신호는 외부 어노테이션 없이 모델 자체의 생성 확률에서 도출되며, 이 방법을 적용한 Qwen2.5-3B는 7개 QA 벤치마크에서 평균 EM 점수 0.430을 달성합니다——MR-Search보다 1.6점, GiGPO보다 0.9점 높으며 계산 오버헤드는 단 6.4%입니다.
새로운 arXiv 논문은 최단 경로 문제에서 LLM의 체계적 일반화를 두 가지 차원으로 조사합니다. 미지의 맵으로의 공간적 전이는 잘 작동하지만, 지평선 길이에 의한 스케일링은 재귀적 불안정성으로 인해 지속적으로 실패합니다. 결론은 자율 에이전트에 직접적인 시사점을 가집니다——훈련 데이터 커버리지가 능력 경계를 정의하고, RL은 안정성을 개선하지만 경계를 확장하지 않으며, 추론 시 스케일링은 도움이 되지만 길이 스케일링 문제를 해결하지 못합니다.
Autogenesis(AGP)는 AI 에이전트, 프롬프트, 도구 및 메모리를 명시적 상태와 버전 관리 인터페이스를 가진 등록 리소스로 모델링하는 프로토콜입니다. Self Evolution Protocol Layer(SEPL)은 감사 추적과 롤백이 있는 개선사항 제안, 평가, 커밋을 위한 폐쇄 루프 운영자 인터페이스를 제공하며, 자체 구성 요소를 반복적으로 변경하는 에이전트의 불안정성 문제를 해결합니다.
RadAgent는 흉부 CT 영상 해석을 위한 AI 에이전트로, 투명한 단계별 프로세스를 통해 기준 CT-Chat 모델을 매크로 F1에서 상대적 36.4%, 마이크로 F1에서 19.6%, 적대적 견고성에서 41.9% 앞섭니다. 의사결정 검사 추적이 포함된 방사선 보고서를 생성하며 Faithfulness 점수 37%를 달성합니다(기준선 0%).
CoopEval은 죄수의 딜레마 및 공공재 게임과 같은 고전적 사회적 딜레마에서 대규모 언어 모델 (LLM) 에이전트를 테스트하는 새로운 벤치마크입니다. 반직관적 발견: 더 강력한 추론 모델이 약한 모델보다 더 자주 배신하며, 단발 혼합 동기 상황에서 체계적으로 협력을 저해합니다. 자신의 이익과 집단의 이익 사이에서 균형을 잡아야 하는 멀티 에이전트 AI 배포에 중요한 시사점을 줍니다.
Mind DeepResearch(MindDR)는 GPT-4나 Claude Opus 규모가 아닌, 약 300억 매개변수 모델(Qwen2.5 또는 DeepSeek 클래스)로 경쟁력 있는 결과를 달성하는 새로운 멀티 에이전트 딥 리서치 프레임워크입니다. 아키텍처: 계획 에이전트 + 딥서치 에이전트 + 보고서 에이전트, 데이터 합성을 포함한 4단계 훈련 파이프라인. 2026년 4월 17일 발표된 기술 보고서에 따릅니다.
새 arXiv 논문이 TypeScript 소스 역공학을 통해 Claude Code 아키텍처를 분석하고 오픈소스 에이전트 OpenClaw과 비교합니다. 5가지 핵심 가치(인간 권위, 안전성, 실행력, 능력, 적응성)와 13가지 설계 원칙을 식별했습니다. 시스템의 핵심은 놀랍도록 단순합니다: 모델을 호출하고, 도구를 실행하고, 사용자 입력을 기다리는 while 루프입니다.
RACER는 추측적 디코딩을 위한 검색 기반 및 logits 기반 초안 전략을 결합하여 대규모 언어 모델을 가속화하는 훈련 불필요 방법입니다. 자기회귀 디코딩 대비 2배 이상의 속도 향상을 달성하고 이전의 모든 훈련 불필요 방법을 능가하며 ACL 2026 Findings에 채택되었습니다. Spec-Bench, HumanEval 및 MGSM-ZH 벤치마크에서 테스트되었습니다.
새 arXiv 논문에 따르면, RLVR(검증 가능한 보상을 활용한 강화학습)로 훈련된 모델은 귀납적 규칙을 체계적으로 포기하고, 실제 관계 패턴을 학습하지 않고도 검증기를 통과하는 인스턴스 수준 레이블을 열거합니다. 이는 대부분의 최첨단 추론 모델을 뒷받침하는 패러다임의 심각한 실패 양상입니다.
SAGO는 머신 언러닝을 두 작업의 비대칭 문제로 재정식화하는 그래디언트 합성 프레임워크입니다——지식 보존을 주요 목표로, 망각을 보조 목표로 설정합니다. WMDP Bio 벤치마크에서 MMLU를 기준선 44.6%에서 PCGrad 94%를 넘어 96%까지 높이면서 동등한 망각 점수를 유지하여, 기존 언러닝 방법이 모델의 유용한 지식을 과도하게 파괴하는 주요 문제를 해결합니다.
새 arXiv 논문이 엔터프라이즈 AI의 아키텍처 솔루션을 제안합니다: 대규모 언어 모델 (LLM) 오류를 모델 측에서 방지하는 대신, 소비자 측에 타입 지정 액션 계약을 정의하여 미승인 액션, 잘못된 형식의 요청, 크로스 워크스페이스 실행을 정적으로 감지합니다. 이 접근법은 보안 부담을 확률론적 모델에서 결정론적 타입 시스템으로 이동시킵니다.