🟡 🤖 모델
arXiv:2606.20560: DiffusionGemma의 해석 가능성이 Gemma 4와 동등——28.6× 격차가 1.1×로 축소
DiffusionGemma는 연속 잠재 공간에서 작동하는 구글의 확산 언어 모델입니다. Neel Nanda가 이끄는 13명의 저자 연구에 따르면 초기 불투명도가 Gemma 4보다 28.6배 높지만, 해석 가능한 토큰 병목 기법으로 그 격차를 1.1배까지 줄일 수 있습니다.
2026년 6월 21일 일요일
11 개 뉴스 — 🟡 4 주목 , 🟢 7 흥미
🤖 모델 (4)
🟢 🤖 모델
arXiv:2606.20543: 공간 투기적 디코딩으로 이미지 생성 13.3배 가속
SSD(Spatially Speculative Decoding)는 자기회귀 이미지 생성에서 픽셀의 수평 및 수직 인접 토큰을 동시에 예측하는 새로운 방법으로, DPG-Bench 및 GenEval 벤치마크에서 시각적 품질 저하 없이 최대 13.3배의 속도 향상을 달성합니다.
🟢 🤖 모델
arXiv:2606.20561: TimeProVe, 장시간 동영상 추론 비용 93% 절감
TimeProVe는 2단계 '제안 후 검증' 방식을 도입하여 장시간 동영상에서 VLM 추론을 가속화하는 프레임워크입니다. 고비용 모델 호출을 75% 줄이고 총 추론 비용을 93% 절감하면서, 새로운 OpenTSUBench 벤치마크에서 최강 경쟁 모델을 7.3 퍼센트 포인트 앞섭니다.
🟢 🤖 모델
arXiv:2606.20008: VIMPO — 비평가 없는 강화학습이 MATH-500과 AIME에서 GRPO를 능가하다
VIMPO는 LLM 추론을 위한 새로운 강화학습 방법으로, KL 정규화 RL에서 암묵적 가치 함수를 도출합니다. 별도의 비평가 네트워크 없이 AIME 2024, AIME 2025를 포함한 4개의 수학 벤치마크에서 GRPO를 능가하며, 노이즈가 있는 보상 조건에서도 안정적인 우위를 유지합니다.
📦 오픈소스 (1)
🤝 에이전트 (3)
🟡 🤝 에이전트
arXiv:2606.20521: 인간 에고센트릭 비디오가 로봇 데이터를 능가한다 — 구현된 AI 모델 사전 학습에서
HumanScale은 베이징대학교와 MIT의 21명 저자가 수행한 체계적인 비교 연구로, 필터링된 인간 에고센트릭 비디오로 사전 학습한 모델이 로봇 데이터만으로 사전 학습한 모델보다 친숙한 과제에서 52.5%, 미지의 로봇 조작 과제에서 90% 더 높은 성공률을 달성함을 보여줍니다.
🟢 🤝 에이전트
arXiv:2606.20493: Contagion Networks — 평가자 편향이 전체 멀티에이전트 시스템을 감염시키는 방식
Contagion Networks는 LLM 에이전트 간 편향 전파를 정량화하는 수학적 프레임워크입니다. 세 개의 DeepSeek-chat 에이전트를 대상으로 한 실험에서 전염 계수 γ는 0.157~0.352 범위로 측정되었으며, 평가 위원회를 1명에서 3명으로 늘리면 전염이 72.4% 감소합니다.
🟢 🤝 에이전트
arXiv:2606.20487: H-RePlan — 다중 디바이스 AI 에이전트의 계층적 장애 복구
H-RePlan은 Linux와 Android를 동시에 관리하는 AI 에이전트가 오류로부터 자율적으로 복구할 수 있도록 하는 시스템입니다. 각 플랫폼의 로컬 복구 전략은 오케스트레이터의 전역 재계획과 분리되어 있으며, 이를 통해 토큰 비용을 절감하고 작업 성공률을 높입니다.
🏥 실무 (1)
🛡️ 보안 (2)
🟡 🛡️ 보안
arXiv:2606.20225: 활성화 방향이 99.6% 정확도로 LLM 정렬 오류를 감지합니다
Abdul Rafay Syed는 Qwen2.5, Gemma-2, Llama-3.2, Ministral-3 등 4개 LLM 계열의 활성화 공간에서 공통 방향을 식별했습니다. 이 방향은 정렬 모델과 잘못 정렬된 모델을 99.6% 정확도로 분리하며, 방향성 스티어링으로 안전하지 않은 코드 누출을 21~51포인트 감소시킵니다.
🟡 🛡️ 보안
arXiv:2606.20553: NeuroImprint——연합 파인튜닝의 숨겨진 백도어가 훈련 데이터의 59–79%를 재구성
NeuroImprint는 연합 파인튜닝에서 PEFT 어댑터를 손상시켜 높은 의미적 충실도로 전체 훈련 샘플의 59–79%를 재구성하는 공격입니다. BERT, GPT-2, Qwen2, Llama 3.2에서 테스트되었으며, 모델이 정상적인 유용성을 유지하기 때문에 공격은 탐지되지 않습니다.