🟡 🤖 모델
arXiv: TruDi — 대규모 병렬 온폴리시 RL을 위한 확산 정책
TruDi는 전체 확산 경로에 KL-발산 제약을 적용한 신뢰 영역 최적화를 사용하여, 대규모 병렬 온폴리시 RL 환경에서 확산 정책의 안정적인 학습을 가능하게 하는 최초의 방법입니다. 4개의 벤치마크에서 73개 작업을 통해 강력한 기준선과 경쟁하거나 이를 능가하는 결과를 달성하며, 휴머노이드 제어에서 특히 명확한 진전을 보입니다.
2026년 6월 13일 토요일
7 개 뉴스 — 🟡 4 주목 , 🟢 3 흥미
🤖 모델 (2)
🤝 에이전트 (3)
🟡 🤝 에이전트
arXiv: ASSAY 프레임워크가 선택적 스킬 마스킹으로 LLM 에이전트 신기록 수립
UNC Chapel Hill 연구자들(Yixuan Wang 외)은 LLM 에이전트 스킬 라이브러리에서 「인과적 이질성」을 확인합니다: 개별 스킬은 특정 유형의 작업에서 도움이 되는 동시에 다른 작업에서는 해를 끼칩니다. ASSAY 프레임워크는 스킬 생성과 경험적 수정을 분리하고, 태스크별 마스킹으로 DeepSeek-V3와 함께 AppWorld에서 목표 달성률 69.3%를 기록합니다 — 상대적 향상 47.4%, 가중치 수정 없이 새로운 state-of-the-art.
🟡 🤝 에이전트
arXiv: CODA-BENCH, 코드와 데이터를 결합한 작업에서 주요 에이전트들이 61.1%에 그친다는 것을 밝혀내다
중국 인민대학교 연구자들은 현실적인 Kaggle 데이터셋이 있는 Linux 샌드박스에서 코드 생성과 데이터 검색을 동시에 평가하는 최초의 벤치마크 CODA-BENCH를 소개합니다. 벤치마크는 31개 커뮤니티에 걸쳐 1,009개 작업을 포함하며, 환경당 평균 980개 파일을 포함합니다. 주요 에이전트들은 성공률 61.1%에 그치며 — ICML 2026에 채택되었습니다.
🟢 🤝 에이전트
arXiv: UCS-Bench, 에고센트릭 비디오에서 AI 에이전트의 공간 기억을 테스트하다
연구자들은 170시간 이상의 에고센트릭 비디오와 8,100개의 시간 표시 질문으로 AI 에이전트의 공간 지능을 테스트하는 UCS-Bench를 소개하고, 스트리밍 관찰에서 구조적 공간 기억을 점진적으로 구축하는 DirectMe 프레임워크를 제안합니다. ICML 2026에 채택.
