Apple의 ICML 2026: 논문 28편, 온디바이스 MLX, 멀티 에이전트 부정적 결과

미국 국경일, AI 업계 전체가 고요에 잠긴 그날, Apple은 다가오는 ICML 2026에서의 참여 개요를 공개했다. 채택 논문과 데모의 선별된 목록이며, 새로운 모델이나 데이터셋 발표가 아니다——하지만 Apple 머신러닝 연구의 방향성을 파악하는 데 유익한 시각을 제공한다.

서울 개막 전 개요

ICML 2026은 7월 6일부터 11일까지 서울에서 개최된다. Apple은 컴퓨터 비전, 자연어 처리, 방법 및 알고리즘, 데이터 과학에 걸친 채택 논문 28편을 들고 참가한다. 메인 프로그램 외에도 팀은 워크숍 논문 9편도 보유하고 있다. 이번 게시물은 전형적인 대회 전 개요로서, Apple 연구진이 한 주 동안 발표할 내용을 한 곳에 모아 정리한 것이다.

Apple이 ICML 2026에서 발표하는 것은?

여러 주제 축에 중점이 놓여 있다. 생성 비디오 분야에서는 VideoFlexTok이 두드러진다——유연한 비디오 토큰화 기법으로 7월 6일 Oral 발표와 Expo 강연을 획득했다. 언어 모델 측면에서는 논문 「Learning Unmasking Policies for Diffusion Language Models」(Oral, 7월 7일)이 확산 언어 모델에서의 토큰 언마스킹 정책을 다룬다——자기회귀 생성의 대안으로 최근 몇 달간 주목이 높아지고 있는 분야다.

메모리와 장기 문맥은 또 다른 핵심 축이다. MemoryLLM은 Transformer에 플러그인 피드포워드 메모리를 도입하고, EpiCache는 장기 대화를 위한 에피소드형 KV-캐시를 도입해 반복 인터랙션에서 문맥 비대화 문제를 해결한다.

주목할 논문

특히 주목받는 것은 「Multi-Agent Teams Hold Experts Back」——멀티 에이전트 시스템을 둘러싼 현재의 열기에 직접적으로 의문을 던지는 부정적 결과다. 에이전트가 많을수록 성능이 높아진다는 믿음을 확인하기는커녕, 특정 설정에서 멀티 에이전트 확장이 가장 유능한 단일 모델의 성능을 오히려 저해한다는 사실을 보여준다. 이러한 발견은 기대를 현실적으로 조율하는 데 가치가 있다. 모든 작업이 여러 에이전트로 분할하기에 적합한 것은 아니며, 오케스트레이션 자체에도 비용이 따른다.

비디오 토큰화에서 확산 언어 모델, 메모리 메커니즘에 이르는 주제의 폭은 Apple이 협소하게 정의된 하나의 문제를 겨냥하는 것이 아니라 기초 연구의 광범위한 전선을 커버하고 있음을 보여준다.

MLX를 활용한 온디바이스 에이전트 코딩

Apple 부스에서는 「Local agentic coding with MLX」 데모가 공개됐다——Apple의 MLX 프레임워크를 통한 온디바이스 추론 도구 시연이다. 이는 민감한 데이터가 기기를 떠나지 않도록 AI 처리를 로컬 하드웨어로 이동시키는 Apple의 일관된 전략과 궤를 같이한다. 클라우드에 의존하지 않고 로컬에서 실행되는 에이전트 코딩은 개인정보 보호와 응답성을 결합한 실용적인 방향이다.

학회 운영에서의 Apple

논문 발표 외에도 Apple은 ICML의 조직 구조에도 참여하고 있다. 여러 수석 Apple 연구자가 에어리어 체어(Area Chair) 및 **시니어 에어리어 체어(Senior Area Chair)**로 활동하고 있으며, Samy Bengio, Vladlen Koltun, Marco Cuturi, Jiatao Gu, Tatiana Likhomanenko가 이름을 올렸다. 세계 최대 규모 ML 컨퍼런스 중 하나의 심사·프로그램 운영에 참여하는 것은 Apple이 상업적 제품 개발을 넘어 더 넓은 연구 커뮤니티에 얼마나 깊이 통합되어 있는지를 보여준다.

전체적으로 이번 발표는 획기적인 뉴스는 아니지만, 유용한 스냅샷이다. 일 년 중 가장 조용한 날에도 기초 연구는 흐르고, Apple은 폭넓은 포트폴리오와 메모리, 확산 모델, 온디바이스 추론에 대한 명확한 방점을 가지고 ICML 2026에 입장한다.